時(shí)間：2023-12-25 15:34:22
開篇：寫作不僅是一種記錄，更是一種創(chuàng)造，它讓我們能夠捕捉那些稍縱即逝的靈感，將它們永久地定格在紙上。下面是小編精心整理的12篇梯度下降法的基本原理，希望這些內(nèi)容能成為您創(chuàng)作過(guò)程中的良師益友，陪伴您不斷探索和進(jìn)步。
關(guān)鍵詞：建筑電氣設(shè)備故障；模糊理論與神經(jīng)網(wǎng)絡(luò)；設(shè)備故障診斷專家系統(tǒng)
中圖分類號(hào)：TP207 文獻(xiàn)標(biāo)識(shí)碼：A DOI：10.11974/nyyjs.20160132074
隨著當(dāng)今社會(huì)經(jīng)濟(jì)的不斷發(fā)展，人們對(duì)生活品質(zhì)的追求越來(lái)越高，電氣設(shè)備變得多樣化和先進(jìn)化，不同區(qū)域間聯(lián)系更加緊密，而在給人們的生活帶來(lái)便利的同時(shí)，簡(jiǎn)單的人工故障診斷方法已經(jīng)無(wú)法滿足結(jié)構(gòu)日益復(fù)雜、功能日益完善的電氣系統(tǒng)，建立電氣設(shè)備控制系統(tǒng)智能故障診斷專家系統(tǒng)已經(jīng)成為目前能滿足社會(huì)需求的選擇。近年來(lái)，模糊理論被廣泛的應(yīng)用于建立故障診斷神經(jīng)網(wǎng)絡(luò)，將模糊系統(tǒng)與神經(jīng)網(wǎng)絡(luò)技術(shù)結(jié)合而形成的故障診斷技術(shù)也正在發(fā)展和應(yīng)用。
1 建筑電氣設(shè)備常見故障類型及危害
1.1 電氣設(shè)備常見故障類型
1.1.1 電源故障
1.1.2 線路故障
1.1.3 元器件故障
1.1.4 防雷接地處理故障
1.2 電氣設(shè)備故障危害
電氣設(shè)備的運(yùn)行需要很多電器元件的相互配合，產(chǎn)生故障通常是因?yàn)殡娔芑蚩刂菩畔⒃趥鬟f、分配、轉(zhuǎn)換過(guò)程中失去控制。斷路、短路、異常接地、漏電、電氣設(shè)備或電器元件損壞、電子設(shè)備受電磁干擾而發(fā)生錯(cuò)誤動(dòng)作、控制系統(tǒng)元件的偶然失效都屬于電氣設(shè)備故障[1]，而這些故障也很有可能造成大范圍的人員傷亡以及造成嚴(yán)重的財(cái)產(chǎn)損失，一旦發(fā)生，也會(huì)造成其他相關(guān)領(lǐng)域不同程度的癱瘓。由此可見，電氣設(shè)備出現(xiàn)故障的概率較高，危害范圍也比較大。
2 神經(jīng)網(wǎng)絡(luò)與模糊理論
神經(jīng)網(wǎng)絡(luò)是一種模仿動(dòng)物神經(jīng)網(wǎng)絡(luò)行為的特征，進(jìn)行分布式并行信息處理的算法數(shù)學(xué)模型[2]。這個(gè)模型可以根據(jù)不同系統(tǒng)自己的特征來(lái)選擇處理不同信息的方式，在很多不同領(lǐng)域都有比較廣泛的應(yīng)用，當(dāng)然，它本身也有一些缺陷，比如它不能求解不確定性問(wèn)題、不能處理符號(hào)性信息等，因此，它需要結(jié)合其它相關(guān)理論和方法來(lái)彌補(bǔ)自身的不足，以便更好地解決特定領(lǐng)域中的問(wèn)題。
模糊理論是指用到了模糊集合的基本概念或連續(xù)隸屬度函數(shù)的理論[3]。模糊控制是一種基于規(guī)則的控制，它可以直接采用語(yǔ)言型控制規(guī)則，在設(shè)計(jì)過(guò)程中不需要建立被控對(duì)象的精確數(shù)學(xué)模型，控制原理和策略通俗易懂，便于人們接受與理解，控制效果好，具有一定的智能水平，應(yīng)用起來(lái)很方便，適用于對(duì)那些數(shù)學(xué)模型難以獲取、動(dòng)態(tài)特性不易掌握或變化非常顯著的對(duì)象。模糊控制器是一種比較容易控制、掌握起來(lái)比較理想的非線性控制器，具有一定的適應(yīng)能力和強(qiáng)健性。
將模糊系統(tǒng)與神經(jīng)網(wǎng)絡(luò)技術(shù)相結(jié)合而形成的模糊神經(jīng)網(wǎng)絡(luò)可以作為對(duì)電氣設(shè)備進(jìn)行故障診斷的模型，這一技術(shù)的提出為電氣設(shè)備故障的診斷帶來(lái)發(fā)展和進(jìn)步，模糊理論被廣泛的應(yīng)用于建立故障診斷神經(jīng)網(wǎng)絡(luò)，這2種理論的結(jié)合將會(huì)給故障診斷研究提供解決思路，值得推廣應(yīng)用[4]。
3 建立電氣設(shè)備故障診斷系統(tǒng)
由于電氣設(shè)備故障機(jī)理的復(fù)雜性，系統(tǒng)在實(shí)際運(yùn)用過(guò)程中，可能會(huì)發(fā)生隨機(jī)故障模式，故障征兆信息的正確與否直接關(guān)系到故障診斷的正確性，因此利用現(xiàn)有的電氣設(shè)備系統(tǒng)控制平臺(tái)，對(duì)電氣設(shè)備控制系統(tǒng)的信號(hào)進(jìn)行實(shí)時(shí)采集和及時(shí)與PC 機(jī)進(jìn)行通信，建立電氣設(shè)備控制系統(tǒng)故障診斷系統(tǒng)便顯得特別重要。
3.1 BP神經(jīng)網(wǎng)絡(luò)模型
BP（Back Propagation）模型是一種最常用的人工神經(jīng)網(wǎng)絡(luò)模型，它的基本原理為利用誤差反向傳播算法，從而得到多層前向神經(jīng)網(wǎng)絡(luò)模型。在故障診斷方面使用BP模型在一定條件下能夠加強(qiáng)工作效率，使得故障診斷問(wèn)題變得更加直觀。利用模糊理論與神經(jīng)網(wǎng)絡(luò)相結(jié)合的模糊神經(jīng)網(wǎng)絡(luò)解決建筑電氣設(shè)備故障的診斷，是一種智能化控制的手段，也將逐漸發(fā)展成為未來(lái)的趨勢(shì)[5]。其模型原理圖如圖1。
要建立模糊神經(jīng)網(wǎng)絡(luò)系統(tǒng)，要根據(jù)相關(guān)理論或?qū)嶋H工作中的經(jīng)驗(yàn)，將故障現(xiàn)象和故障原因相對(duì)應(yīng)，作為系統(tǒng)的學(xué)習(xí)樣本。按照輸入與輸出相對(duì)應(yīng)的關(guān)系輸入學(xué)習(xí)樣本，系統(tǒng)經(jīng)過(guò)內(nèi)部的算法不斷提高精度，當(dāng)精度達(dá)到設(shè)定的要求時(shí)，模糊神經(jīng)網(wǎng)絡(luò)系統(tǒng)的學(xué)習(xí)過(guò)程結(jié)束。此時(shí)，將測(cè)試樣本的輸入數(shù)據(jù)放入系統(tǒng)輸入端，如果輸出數(shù)據(jù)與測(cè)試樣本基本相同，那么模糊神經(jīng)網(wǎng)絡(luò)系統(tǒng)建立成功。
在模糊神經(jīng)網(wǎng)絡(luò)系統(tǒng)的實(shí)際使用時(shí)，必然會(huì)遇到輸入數(shù)據(jù)與樣本不同的狀況。根據(jù)內(nèi)部算法，系統(tǒng)將會(huì)找到與學(xué)習(xí)樣本最相似的一組數(shù)據(jù)作為參考，自主得到輸出數(shù)據(jù)。與此同時(shí)，如果系統(tǒng)自主算出的結(jié)果得到采納，那么這組數(shù)據(jù)將會(huì)做為新的樣本存入數(shù)據(jù)庫(kù)，成為參考數(shù)據(jù)。
3.2 BP學(xué)習(xí)算法
目前，BP算法是應(yīng)用很廣泛、完善性比較高的神經(jīng)網(wǎng)絡(luò)訓(xùn)練算法，方便、容易實(shí)現(xiàn)、計(jì)算量小、并行性強(qiáng)是這個(gè)方法領(lǐng)先其他算法的優(yōu)勢(shì)。BP算法的基本原理[6]為先求解誤差函數(shù)的最小值，根據(jù)梯度下降法，按誤差對(duì)權(quán)值做負(fù)反饋。
BP算法需要依次根據(jù)輸入對(duì)輸出進(jìn)行矯正，也就是對(duì)每組數(shù)據(jù)都要計(jì)算比對(duì)。然而，全局誤差的梯度下降算法，要求連接權(quán)和閾值的矯正是在批量進(jìn)行學(xué)習(xí)樣本的輸入之后再進(jìn)行的，所以要修改各個(gè)連接權(quán)值。利用梯度下降法來(lái)修改各個(gè)連接權(quán)值，以便達(dá)到近似全局誤差的算法效果。全局誤差梯度下降算法流程如圖2所示。
4 結(jié) 語(yǔ)
電氣設(shè)備的故障診斷已經(jīng)成為值得重視的問(wèn)題，為保證運(yùn)行系統(tǒng)能夠正常運(yùn)行，因此需要建立起更加科學(xué)完善的電氣設(shè)備管理系統(tǒng)，逐漸減少電氣設(shè)備運(yùn)行出現(xiàn)故障的可能性，保障電力系統(tǒng)的穩(wěn)定能力，本文簡(jiǎn)單介紹將模糊理論與神經(jīng)網(wǎng)絡(luò)結(jié)合，更好的解決電氣設(shè)備故障問(wèn)題，結(jié)合傳感器檢測(cè)技術(shù)、自動(dòng)控制技術(shù)、通信與網(wǎng)絡(luò)技術(shù)等方法，建立電氣設(shè)備控制故障診斷系統(tǒng)，希望可以早日應(yīng)用到生活中的建筑電氣設(shè)備故障診斷中去。
參考文獻(xiàn)
[1]電氣設(shè)備及控制電路常見故障分析[EB]. 電工學(xué)習(xí)網(wǎng).
[2]田景文.人工神經(jīng)網(wǎng)絡(luò)算法研究與應(yīng)用[M]. 北京理工大學(xué)出版社，2006.
[3]諸靜.模糊控制原理與應(yīng)用[M].機(jī)械工業(yè)出版社，1995.
[4]龍祥，錢志博.模糊理論在設(shè)備故障診斷神經(jīng)網(wǎng)絡(luò)中的典型應(yīng)用[J].廣東工業(yè)大學(xué)學(xué)報(bào)，2006.
[5]陳流豪.神經(jīng)網(wǎng)絡(luò)BP算法研究綜述[J].電腦知識(shí)與技術(shù)，2010.
【關(guān)鍵詞】PID控制 神經(jīng)網(wǎng)絡(luò) 系統(tǒng)辨識(shí) 模型構(gòu)建
1 神經(jīng)元基礎(chǔ)模型分析
單神經(jīng)元是一種被稱為MoCulloch-Pitts（1943年）模型的人工神經(jīng)元。它是模仿生物神經(jīng)元的結(jié)構(gòu)和功能、并從數(shù)學(xué)角度進(jìn)行描述的一個(gè)基本單位，由人腦神經(jīng)元進(jìn)行抽象簡(jiǎn)化后得到。人工神經(jīng)元是神經(jīng)網(wǎng)絡(luò)的最基本的組成部分。
2 基于神經(jīng)網(wǎng)絡(luò)的辨識(shí)
系統(tǒng)辨識(shí)（System Identification）是現(xiàn)代控制理論中一個(gè)很重要的組成部分。在現(xiàn)代的控制過(guò)程中，由于系統(tǒng)越來(lái)越復(fù)雜，被控對(duì)象的實(shí)際數(shù)學(xué)模型已經(jīng)無(wú)法進(jìn)行精確的給定與描述，故需要一門控制理論，在掌握被控對(duì)象的變化規(guī)律下，由另一種方法確定一個(gè)近似的、易于描述與控制的數(shù)學(xué)模型來(lái)近似代替這個(gè)不可知的復(fù)雜模型。
根據(jù)L.A.Zadel的系統(tǒng)辨識(shí)的定義（1962），辨識(shí)就是在分析輸入和輸出數(shù)據(jù)的基礎(chǔ)上，從一組給定的模型類（Model Set）中，按照一定的規(guī)則，確定一個(gè)與所測(cè)系統(tǒng)等價(jià)的模型，如果所測(cè)系統(tǒng)模型未知，那么這個(gè)等價(jià)的模型就可以來(lái)近似代替系統(tǒng)模型。從定義中可以得到辨識(shí)的三要素：輸入輸出數(shù)據(jù)、模型類、等價(jià)準(zhǔn)則。
神經(jīng)網(wǎng)絡(luò)對(duì)非線性函數(shù)的逼近能力非常好，當(dāng)神經(jīng)網(wǎng)絡(luò)滿足一定條件時(shí)，可以以任意精度逼近任意非線性連續(xù)的函數(shù)或者分段連續(xù)的函數(shù)。因此，用神經(jīng)網(wǎng)絡(luò)來(lái)完成非線性系統(tǒng)辨識(shí)功能是一個(gè)很好的選擇。
神經(jīng)網(wǎng)絡(luò)系統(tǒng)辨識(shí)一般有并聯(lián)型和串-并聯(lián)型兩種辨識(shí)結(jié)構(gòu)。并聯(lián)模型由待辨識(shí)系統(tǒng)、神經(jīng)網(wǎng)絡(luò)、誤差反饋實(shí)現(xiàn)。串―并聯(lián)型模型由待辨識(shí)系統(tǒng)、時(shí)延網(wǎng)絡(luò)、誤差反饋與神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)，這兩種系統(tǒng)都可以實(shí)現(xiàn)通過(guò)誤差對(duì)系統(tǒng)進(jìn)行在線調(diào)整，但是后者用待辨識(shí)系統(tǒng)的輸入輸出數(shù)據(jù)作為辨識(shí)信息，并用誤差進(jìn)行校正，能使系統(tǒng)更收斂、穩(wěn)定，因此，串―并聯(lián)型模型應(yīng)用較多。
這兩種模型均屬于正向模型，是利用多層前饋神經(jīng)網(wǎng)絡(luò)（指BP網(wǎng)絡(luò)類型的神經(jīng)網(wǎng)絡(luò)），通過(guò)訓(xùn)練與學(xué)習(xí)，建立一個(gè)模型，使其能表達(dá)系統(tǒng)的正向動(dòng)力學(xué)特性。另外還有一種逆模型，前提是其擬辨識(shí)的非線性系統(tǒng)可逆，因?yàn)椴⒉皇撬械南到y(tǒng)都滿足這一點(diǎn)，故其應(yīng)用沒(méi)有正向模型廣泛。
基本結(jié)構(gòu)的的Elman神經(jīng)網(wǎng)絡(luò)是階層結(jié)構(gòu)，類似于一般的多層前饋神經(jīng)網(wǎng)絡(luò)，也有輸入層，隱含層和輸出層。但除此之外，Elman神經(jīng)網(wǎng)絡(luò)還有一層特殊的結(jié)構(gòu)單元―銜接層，銜接層中的節(jié)點(diǎn)一一對(duì)應(yīng)于隱含層中的節(jié)點(diǎn)，隱含層的輸出經(jīng)過(guò)一步延遲后反饋到銜接層，將隱含層過(guò)去的狀態(tài)與神經(jīng)網(wǎng)絡(luò)下一時(shí)刻的輸入一起作為隱含層單元的輸入，從而使得Elman神經(jīng)網(wǎng)絡(luò)具有了動(dòng)態(tài)記憶能力。
3 基于神經(jīng)網(wǎng)絡(luò)的非線性自整定PID控制
PID控制是發(fā)展最早的經(jīng)典控制算法之一，而且PID控制器一直是控制領(lǐng)域的基本控制方式，其算法簡(jiǎn)單，可靠性高，利用系統(tǒng)的偏差，基于比例（P）、積分（I）、微分（D）來(lái)進(jìn)行控制。
3.1 PID控制基本原理
經(jīng)典PID控制器系統(tǒng)如圖1所示。
經(jīng)典的PID控制器是一種線性控制器，該系統(tǒng)由PID控制系統(tǒng)與被控對(duì)象組成。它將輸入值rin（t）與實(shí)際輸出值yout（t）的偏差e（t）作為控制量輸入，將偏差的比例（P）、積分（I）和微分（D）進(jìn)行線性組合，作為被控對(duì)象的控制量u（t），對(duì)其進(jìn)行控制。其控制器的輸入輸出關(guān)系可用式3來(lái)描述。
在計(jì)算機(jī)技術(shù)日益普及的現(xiàn)代工業(yè)生產(chǎn)過(guò)程中，將PID控制算法等控制方法應(yīng)用于計(jì)算機(jī)中，組成計(jì)算機(jī)控制系統(tǒng)，能夠完成更多更復(fù)雜的計(jì)算與控制。由于計(jì)算機(jī)處理的是數(shù)字量，故需將PID控制算法數(shù)字化。
3.2 基于神經(jīng)網(wǎng)絡(luò)的非線性PID自整定原理及設(shè)計(jì)
將神經(jīng)網(wǎng)絡(luò)應(yīng)用于PID參數(shù)的自整定方案設(shè)計(jì)如圖2所示。
其中NNC與NNI神經(jīng)網(wǎng)絡(luò)均采用遞歸神經(jīng)網(wǎng)絡(luò)，經(jīng)過(guò)上面的研究我們知道Elman神經(jīng)網(wǎng)絡(luò)具有很好的跟蹤特性，故在這里應(yīng)用Elman神經(jīng)網(wǎng)絡(luò)，并用梯度下降法進(jìn)行修正。NNI是神經(jīng)網(wǎng)絡(luò)系統(tǒng)辨識(shí)過(guò)程，在上面已經(jīng)介紹過(guò)，所以在下面只介紹神經(jīng)網(wǎng)絡(luò)控制器NNC的學(xué)習(xí)算法。
我們知道，u（k）的求出需要u（k-1），e（k），e（k-1），e（k-2）四個(gè)數(shù)據(jù)，神經(jīng)網(wǎng)絡(luò)的作用在于在線調(diào)整Kp、KI、KD三個(gè)系數(shù)，故神經(jīng)網(wǎng)絡(luò)的輸出為這三個(gè)數(shù)。給定神經(jīng)網(wǎng)絡(luò)的輸入為u（k-1），y（k-1），隱含層個(gè)數(shù)為hc個(gè)（可以改變）。其學(xué)習(xí)算法如下：
3.2.1 前向計(jì)算
基于遞歸神經(jīng)網(wǎng)絡(luò)的非線性自整定PID控制器算法過(guò)程歸納如下：
（1）設(shè)定初始狀態(tài)與參數(shù)初始值，包括NNC系統(tǒng)的連接權(quán)值wc、vc，學(xué)習(xí)速率，和一些中間變量的初始化。
（2）進(jìn)行離線辨識(shí)過(guò)程，在訓(xùn)練有限步數(shù)后，使得y（k）與充分逼近，取此時(shí)的連接權(quán)值，用于在線過(guò)程。
（3）用上一步得到的連接權(quán)值用NNI進(jìn)行在線辨識(shí)，求出系統(tǒng)輸出y（k），并進(jìn)行修正，
記錄下修正后的的值。
（4）給定系統(tǒng)的輸入yr（k），求出y（k）與yr（k）的誤差E（k）。
（5）用u（k）、y（k）作為NNC的輸入，求出PID控制器的三個(gè)參數(shù)，并用式3-9求出下一步的輸入u（k+1），前兩步時(shí)e（k-1）、e（k-2）未知，默認(rèn)初始值為0。并用梯度下降法進(jìn)行連接權(quán)值的修正，也即NNC網(wǎng)絡(luò)的輸出的修正，完成PID控制器的參數(shù)在線自調(diào)整。
（6）使k=k+1，返回第三步重新計(jì)算，直到完成設(shè)定的訓(xùn)練步數(shù)上限。
4 結(jié)論
通過(guò)以上分析可以看出本論文提出Elman神經(jīng)網(wǎng)絡(luò)進(jìn)行非線性自整定PID控制器的設(shè)計(jì)，并加入神經(jīng)網(wǎng)絡(luò)的非線性系統(tǒng)辨識(shí)過(guò)程，用辨識(shí)過(guò)程中的中間值參與參數(shù)自整定環(huán)節(jié)，可以使自整定環(huán)節(jié)更加精確，從而提高系統(tǒng)的工作性能。
參考文獻(xiàn)
[1]陶永華.新型PID控制及其應(yīng)用[M].北京：機(jī)械工業(yè)出版社，2002，17-49.
[2]朱慶A.BP多層神經(jīng)網(wǎng)絡(luò)在控制中的應(yīng)用[D].廣西：廣西大學(xué)，2004（05）.
Abstract： Neural network is widely applied for character recognition. Through the analysis of the problems， this paper recognizes character by the application of improved BP neural network， so as to improve recognition rate. This method has high recognition rate， fast speed， strong practicability， and can be applied to various high noise environment.
關(guān)鍵詞： 神經(jīng)網(wǎng)絡(luò)；圖像預(yù)處理；特征提取；字符識(shí)別
Key words： neural network；image preprocessing；feature extraction；character recognition
中圖分類號(hào)：TP301.6 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1006-4311（2014）10-0206-02
0 引言
字符識(shí)別是指采用掃描儀、數(shù)碼相機(jī)等輸入設(shè)備，把英文字母、數(shù)字、條形碼等特殊字符的圖形文件輸入計(jì)算機(jī)，由識(shí)別軟件對(duì)圖片信息上的字符信息進(jìn)行識(shí)別并變換成可編輯文檔的識(shí)別技術(shù)。主要有光學(xué)字符識(shí)別（Optical
Character Recognition，OCR）、圖像字符識(shí)別（Image Character Recognition，ICR）和智能字符識(shí)別（Intelligent Character Recognition，ICR），實(shí)際上這三種自動(dòng)識(shí)別技術(shù)的基本原理大致相同。
1 常用字符識(shí)別方法
字符識(shí)別方法基本上都是為了區(qū)分結(jié)構(gòu)識(shí)別、統(tǒng)計(jì)識(shí)別以及兩者相結(jié)合的三大類方法，這三大類方法都包含具體的識(shí)別方法。
1.1 結(jié)構(gòu)識(shí)別 結(jié)構(gòu)識(shí)別是早期字符識(shí)別的研究的主要方法，我們也可以稱之為句法結(jié)構(gòu)識(shí)別。其思想是提取含有一定規(guī)律的結(jié)構(gòu)信息，作為識(shí)別的依據(jù)。識(shí)別過(guò)程類似一個(gè)邏輯推理過(guò)程。結(jié)構(gòu)識(shí)別的優(yōu)點(diǎn)在于對(duì)字符變化的適應(yīng)性強(qiáng)，區(qū)分相似字符能力強(qiáng)。但是在實(shí)際獲取字符圖像的過(guò)程中，由于存在著很多扭曲、傾斜等因素，就導(dǎo)致不能夠準(zhǔn)確地提取結(jié)構(gòu)特征，后面的識(shí)別過(guò)程就成了無(wú)源之水。此外，結(jié)構(gòu)識(shí)別的算法描述也較為復(fù)雜，匹配過(guò)程的復(fù)雜度也很高，因此，我們?cè)械木浞ㄗR(shí)別就受到新的挑戰(zhàn)。
1.2 統(tǒng)計(jì)識(shí)別 統(tǒng)計(jì)決策論的發(fā)展相對(duì)較早而且成熟，是為了提取待識(shí)別字符的一組統(tǒng)計(jì)特征，然后按照一定的準(zhǔn)則進(jìn)行決策函數(shù)的分類判決的。而統(tǒng)計(jì)識(shí)別是將字符點(diǎn)陣看作是一個(gè)能夠經(jīng)過(guò)大量統(tǒng)計(jì)數(shù)據(jù)得到的整體，是以后所用的特征都需要經(jīng)過(guò)的。統(tǒng)計(jì)特征主要是以抗干擾能力強(qiáng)為主要特點(diǎn)，以實(shí)現(xiàn)匹配與分類的算法簡(jiǎn)單，且容易實(shí)現(xiàn)的。不足之處在于細(xì)分能力較弱，區(qū)分相似字的能力差一些。
1.3 結(jié)構(gòu)識(shí)別與統(tǒng)計(jì)識(shí)別相結(jié)合 上述方法各有優(yōu)缺點(diǎn)，而隨著研究的深入，這些方法逐漸得到融合。網(wǎng)格化特征就是結(jié)合的產(chǎn)物。特征的統(tǒng)計(jì)以網(wǎng)格為單位，即使個(gè)別點(diǎn)的統(tǒng)計(jì)有誤差也不會(huì)造成大的影響，增強(qiáng)了特征的抗干擾性。這種方法正得到日益廣泛的應(yīng)用。
字符的結(jié)構(gòu)特征直接反映了字符的特有屬性，而用字符的統(tǒng)計(jì)特征進(jìn)行字符識(shí)別則是利用了計(jì)算機(jī)軟件善于處理數(shù)字的特點(diǎn)。雖然近幾年流行的神經(jīng)網(wǎng)絡(luò)方法主要采用的是局部特征，但其分類機(jī)理也與傳統(tǒng)的統(tǒng)計(jì)識(shí)別方法相類似，優(yōu)點(diǎn)是靈活性強(qiáng)。
2 字符識(shí)別流程
字符識(shí)別技術(shù)在當(dāng)今社會(huì)的許多領(lǐng)域都有著廣泛的商業(yè)應(yīng)用前景。常見應(yīng)用有條碼識(shí)別、車牌識(shí)別、盲人的輔助閱讀設(shè)備和郵包自動(dòng)分檢等。本文以車牌識(shí)別為例說(shuō)明字符識(shí)別的應(yīng)用以及識(shí)別流程。車牌識(shí)別系統(tǒng)的工作流程如圖1所示。
經(jīng)過(guò)字符分割后，得到可以進(jìn)行字符識(shí)別的圖像。本文采用神經(jīng)網(wǎng)絡(luò)方法進(jìn)行字符識(shí)別，識(shí)別的具體過(guò)程如圖2所示。
3 基于改進(jìn)型BP神經(jīng)網(wǎng)絡(luò)的字符識(shí)別算法
3.1 BP神經(jīng)網(wǎng)絡(luò)簡(jiǎn)介 神經(jīng)網(wǎng)絡(luò)最早的研究是20世紀(jì)40年代，由心理學(xué)家Mcculloch和數(shù)學(xué)家Pitts合作提出的，由此拉開了神經(jīng)網(wǎng)絡(luò)研究的序幕。人工神經(jīng)網(wǎng)絡(luò)是通過(guò)對(duì)人腦生物神經(jīng)機(jī)理進(jìn)行簡(jiǎn)化，抽象和模擬之后建立起來(lái)的一種計(jì)算模型，屬于機(jī)器學(xué)習(xí)的重要研究領(lǐng)域。人工神經(jīng)網(wǎng)絡(luò)可以應(yīng)用于字符識(shí)別、人臉識(shí)別等領(lǐng)域。
隨著神經(jīng)網(wǎng)絡(luò)的威力逐漸顯現(xiàn)以及付諸應(yīng)用的現(xiàn)實(shí)性，大量的學(xué)者對(duì)此進(jìn)行了深入研究，出現(xiàn)了多種神經(jīng)網(wǎng)絡(luò)，如徑向基神經(jīng)網(wǎng)絡(luò)和Hopfield網(wǎng)絡(luò)等。1986年科學(xué)家Rumelhart和McCelland提出了BP（Back Propagation）神經(jīng)網(wǎng)絡(luò)，是一種按誤差逆?zhèn)鞑ニ惴ㄓ?xùn)練的多層前饋網(wǎng)絡(luò)，是目前在字符識(shí)別中應(yīng)用最廣泛的神經(jīng)網(wǎng)絡(luò)模型之一。BP網(wǎng)絡(luò)能學(xué)習(xí)和存儲(chǔ)大量的輸入輸出模式映射關(guān)系，而無(wú)需事前揭示描述這種映射關(guān)系的數(shù)學(xué)方程。它的學(xué)習(xí)規(guī)則是使用最速下降法，通過(guò)反向傳播來(lái)不斷調(diào)整網(wǎng)絡(luò)的權(quán)值和閾值，使網(wǎng)絡(luò)的誤差平方和最小。
BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)如圖3所示。從左至右分別是輸入層、隱含層和輸出層。
從圖3可以看出，某一層的輸出就是下一層的輸入，即：am+1=fm+1（Wm+1am+bm+1），m=0，1，…M-1……
這里，M為神經(jīng)網(wǎng)絡(luò)的層數(shù)。第一層的神經(jīng)元的輸入為a0=p，最后一層神經(jīng)元的輸出是a=aM，即為整個(gè)神經(jīng)網(wǎng)絡(luò)的輸出。BP神經(jīng)網(wǎng)絡(luò)雖然在字符識(shí)別領(lǐng)域有著重要的應(yīng)用價(jià)值，但其存在如下問(wèn)題：①進(jìn)行字符識(shí)別時(shí)存在局部極小值問(wèn)題；②算法通常需要迭代幾千步甚至更多，收斂速度慢；③隱含層和隱含層節(jié)點(diǎn)的數(shù)量難以確定。要解決上述問(wèn)題，就需對(duì)BP神經(jīng)網(wǎng)絡(luò)算法進(jìn)行改進(jìn)。
3.2 基于改進(jìn)型BP神經(jīng)網(wǎng)絡(luò)的字符識(shí)別
3.2.1 圖像預(yù)處理 在字符圖像采集、輸入的過(guò)程中由于受到多種噪聲的干擾，會(huì)使圖像質(zhì)量下降，為字符識(shí)別工作帶來(lái)困難，因此需要對(duì)初始圖像進(jìn)行必要的預(yù)處理。圖像預(yù)處理的具體步驟如下：①選取合適的閾值進(jìn)行圖像二值化；②灰度變換增強(qiáng)對(duì)比度，改善視覺(jué)效果；③選取合適的方法去除噪聲，常用的有中值濾波、均值濾波、高通濾波等方法；④圖像分割，即將圖像中的字符獨(dú)立的分割出來(lái)。
3.2.2 字符特征值的提取 如果直接采用分割后的字符進(jìn)行對(duì)比，那么需要對(duì)比的信息量很大，程序運(yùn)行的時(shí)間也會(huì)大大增加。所以需要對(duì)分割后的字符進(jìn)行特征提取，本文使用了類似九宮格的方法進(jìn)行特征提取，即在字符圖像的水平方向上將圖像均勻分成三部分，在每一部分用一條水平方向的掃描線從左至右穿過(guò)字符，進(jìn)行查找；垂直方向上原理相同，掃描線從上到下穿過(guò)字符，進(jìn)行查找。取這六條線上的特征作為字符圖像的特征，這樣就得到了每個(gè)字符的六個(gè)特征值。
3.2.3 改進(jìn)型BP神經(jīng)網(wǎng)絡(luò) 針對(duì)BP神經(jīng)網(wǎng)絡(luò)的局限性，為了避免落入局部極小值點(diǎn)，提高網(wǎng)絡(luò)訓(xùn)練的精度和速度，對(duì)其算法進(jìn)行了改進(jìn)，常用的方法有：①優(yōu)化初始權(quán)重。由于BP網(wǎng)絡(luò)的誤差曲面存在多個(gè)局部最小點(diǎn)和算法采用誤差梯度下降的方法調(diào)整網(wǎng)絡(luò)權(quán)重，因此導(dǎo)致了網(wǎng)絡(luò)的訓(xùn)練結(jié)果極容易落入局部極小點(diǎn)。所以，網(wǎng)絡(luò)的初始權(quán)重對(duì)網(wǎng)絡(luò)的最終訓(xùn)練結(jié)果影響非常大，它是影響網(wǎng)絡(luò)最終能否達(dá)到需求精度的重要因素之一。②調(diào)整自適應(yīng)學(xué)習(xí)率。學(xué)習(xí)率η也稱步長(zhǎng)，在標(biāo)準(zhǔn)的算法中為常數(shù)。BP算法的收斂特性和收斂速度很大程度上取決于學(xué)習(xí)率，對(duì)于不同的問(wèn)題，其取值范圍也會(huì)不同。η取值過(guò)大可以加快學(xué)習(xí)速度，但會(huì)導(dǎo)致學(xué)習(xí)過(guò)程不收斂；η取值過(guò)小，則迭代次數(shù)明顯增加，導(dǎo)致學(xué)習(xí)速度過(guò)慢。為了加速收斂的過(guò)程，可以自適應(yīng)改變學(xué)習(xí)速率。③附加動(dòng)量法。動(dòng)量法是指在反向傳播的基礎(chǔ)上，在每個(gè)權(quán)值調(diào)整值上加上一項(xiàng)正比于前次權(quán)值變化的值，并根據(jù)反向傳播法來(lái)產(chǎn)生新的權(quán)值變化。
本文為了簡(jiǎn)單起見，采用附加動(dòng)量法只對(duì)數(shù)字和英文字母進(jìn)行字符識(shí)別，利用梯度下降法，使權(quán)值沿函數(shù)的負(fù)梯度方向改變。提高了學(xué)習(xí)速度，增加了算法的可靠性。
帶有附加動(dòng)量項(xiàng)的權(quán)值調(diào)節(jié)公式為：
Wij（k+1）=Wij（k）+η[（1-α）D（k）+αD（k-1）]
其中，α是附加的動(dòng)量項(xiàng)，取值范圍為0
3.2.4 設(shè)計(jì)改進(jìn)型BP神經(jīng)網(wǎng)絡(luò)進(jìn)行字符識(shí)別 本系統(tǒng)采用了兩個(gè)BP網(wǎng)絡(luò)來(lái)進(jìn)行數(shù)字和字母的識(shí)別。BP神經(jīng)網(wǎng)絡(luò)的建立主要是三個(gè)層的神經(jīng)元數(shù)目的確定。①輸入層節(jié)點(diǎn)數(shù)。此節(jié)點(diǎn)個(gè)數(shù)即為圖像預(yù)處理后所輸出的特征的維數(shù)。本系統(tǒng)輸入層節(jié)點(diǎn)數(shù)為24×48。②隱含層節(jié)點(diǎn)數(shù)。確定隱含層節(jié)點(diǎn)數(shù)的基本原則是：在滿足精度要求的前提下取盡可能緊湊的結(jié)構(gòu)，即取盡可能少的隱含層節(jié)點(diǎn)數(shù)。本系統(tǒng)的兩個(gè)神經(jīng)網(wǎng)絡(luò)，可以根據(jù)輸出層神經(jīng)元的多少來(lái)確定其個(gè)數(shù)，即輸出層神經(jīng)元越多，其隱含層神經(jīng)元個(gè)數(shù)也越多。③輸出層節(jié)點(diǎn)數(shù)。用于識(shí)別數(shù)字的BP網(wǎng)絡(luò)，由于只有10個(gè)數(shù)字，所以采用了8421碼進(jìn)行編碼，輸出層的神經(jīng)元數(shù)目為4。而識(shí)別26個(gè)字母的BP網(wǎng)絡(luò)，其輸出層的神經(jīng)元數(shù)目為5。待識(shí)別的字符圖像和訓(xùn)練好網(wǎng)絡(luò)后識(shí)別的結(jié)果分別如圖4和圖5所示。
4 結(jié)束語(yǔ)
在字符識(shí)別的過(guò)程中，每一步都會(huì)有不同程度的誤差，本文神經(jīng)網(wǎng)絡(luò)經(jīng)驗(yàn)證后識(shí)別率可達(dá)95.1%，平均識(shí)別時(shí)間為0.6s。影響識(shí)別成功率的主要因素是訓(xùn)練樣本的數(shù)量和訓(xùn)練次數(shù)，要保證一定數(shù)量以上的訓(xùn)練樣本和訓(xùn)練次數(shù)，以保證識(shí)別率。另外，神經(jīng)網(wǎng)絡(luò)的層數(shù)和各層神經(jīng)元的個(gè)數(shù)，對(duì)神經(jīng)網(wǎng)絡(luò)算法的運(yùn)行速度和識(shí)別率也有著直接的影響，其數(shù)量越多，識(shí)別率越高，但也制約著識(shí)別速度，因此，如何處理好兩者關(guān)系很重要。
參考文獻(xiàn)：
[1]關(guān)學(xué)忠，劉勇智.基于數(shù)字圖像處理的車牌定位及字符分割方法[J].裝備制造，2010（01）.
[2]武桐.基于圖像匹配的漢字識(shí)別系統(tǒng)研究與實(shí)現(xiàn)[D].上海：上海交通大學(xué)，2010.
一、前言
目前，網(wǎng)絡(luò)化、數(shù)字化、智能化是視頻監(jiān)控的必然趨勢(shì)，視頻監(jiān)控系統(tǒng)的應(yīng)用越來(lái)越廣泛，在生產(chǎn)管理和安全防范起到不可替代的作用，但是由于軟硬件各方面因素的限制，視頻監(jiān)控在關(guān)鍵技術(shù)方面，存在著一些不足之處，視頻監(jiān)控錄像回放分辨率往往不能達(dá)到使用要求。在監(jiān)控圖像的采集與處理過(guò)程中，由于各種因素影響，會(huì)導(dǎo)致圖像分辨率的下降，其主要表現(xiàn)為模糊、噪聲和變形，達(dá)不到監(jiān)控的要求，影響系統(tǒng)功能。
二、控制方法
采用盡可能低的經(jīng)濟(jì)代價(jià)提高視頻監(jiān)控系統(tǒng)視頻圖像回放分辨率。
三、目標(biāo)
1、將原先圖像分辨率270視頻線（360*270）提高到300電視線（400*300）以上；
2、回放圖像清晰度要求：峰值信噪比≥28；
3、回放圖像還原度要求：平均絕對(duì)差≤0.1
4、回放圖像視覺(jué)要求：信噪比改善因子≥7
四、原理分析
要提高視頻監(jiān)控系統(tǒng)視頻圖像的分辨率，首先要對(duì)視頻圖像分辨率不高的原因進(jìn)行分析，對(duì)視頻圖像成像儲(chǔ)存的環(huán)節(jié)進(jìn)行分析，才能根據(jù)不同的原因采取不同的解決方案。
視頻監(jiān)控系統(tǒng)的視頻圖像的應(yīng)用分為4個(gè)步驟：圖像采集、圖像傳輸、圖像儲(chǔ)存、圖像回放。
1、圖像采集：圖像采集就是利用攝像機(jī)中電子傳感器把光學(xué)影像轉(zhuǎn)換成電信號(hào)，以便與傳輸及儲(chǔ)存。傳感器的形狀和尺寸、光學(xué)部件性能的好壞直接影響圖像的分辨率。
2、圖像傳輸：圖像傳輸就是利用光纜、電纜、無(wú)線等方式將采集來(lái)的圖像傳輸?shù)斤@示或者儲(chǔ)存設(shè)備。在傳輸過(guò)程中，會(huì)引入不同類型的噪聲，而且噪聲的引入方式也不同，加性噪聲和乘性噪聲都會(huì)直接影響到圖像的分辨率。
3、圖像儲(chǔ)存：目前模擬錄像機(jī)已基本淘汰，應(yīng)用最廣是數(shù)字硬盤錄像機(jī)，基本原理是將模擬的音視頻信號(hào)通過(guò)數(shù)據(jù)壓縮形式轉(zhuǎn)變?yōu)镸PEG數(shù)字信號(hào)存儲(chǔ)在硬盤上。數(shù)字化采集過(guò)程也會(huì)降低圖像分辨率。
4、圖像回放：圖像回放就是重現(xiàn)存儲(chǔ)在系統(tǒng)中的視頻圖像資料。
五、圖像質(zhì)量?jī)?yōu)化控制方案
根據(jù)視頻監(jiān)控系統(tǒng)的工作原理，針對(duì)視頻圖像應(yīng)用的各個(gè)環(huán)節(jié)，主要有硬件和軟件兩大類，本文用優(yōu)化攝像機(jī)、存儲(chǔ)圖像處理、優(yōu)化錄像機(jī)、優(yōu)化錄像格式、存儲(chǔ)圖像處理5種方案。
1、優(yōu)化攝像機(jī)
傳感器固有的采樣頻率限制了圖像的空間分辨率，目前在監(jiān)控系統(tǒng)中廣泛使用的是CCD傳感器，提高分辨率最直接的方法是降低像素尺寸，提高單位面積的像素?cái)?shù)目。
2、優(yōu)化傳輸系統(tǒng)
圖像傳輸過(guò)程中引進(jìn)的噪聲會(huì)直接影響到圖像的分辨率。對(duì)傳輸系統(tǒng)進(jìn)行優(yōu)化，如更新為先進(jìn)的光纜傳輸系統(tǒng)、增加長(zhǎng)距離補(bǔ)償器、增加視頻抗干擾器等可以提高圖像的信噪比，相應(yīng)提高圖像分辨率。
3、優(yōu)化錄像機(jī)
考慮到錄像資料儲(chǔ)存時(shí)間的限制，攝像機(jī)采集到的圖像在儲(chǔ)存時(shí)采用壓縮的格式，去除了不必要的高頻部分，相應(yīng)的視頻圖像則損失了圖像細(xì)節(jié)，即降低了分辨率。如果更換硬盤錄像機(jī)，減少壓縮比例，則可以明顯提高圖像分辨率。
4、優(yōu)化錄像格式
針對(duì)視頻圖像儲(chǔ)存的步驟：采樣、量化、編碼。由于硬盤錄像機(jī)直接影響監(jiān)控系統(tǒng)的分辨率，如果對(duì)儲(chǔ)存過(guò)程的參數(shù)進(jìn)行調(diào)整，例如改變編碼格式，提高錄像文件所含信息量，也可以提高視頻圖像的分辨率。
5、存儲(chǔ)圖像處理
視頻監(jiān)控主要功能之一就是在發(fā)生突發(fā)事件時(shí)能進(jìn)行圖像回放，往往在需要監(jiān)控的區(qū)域可能事先沒(méi)有考慮到高清錄像，回放效果不盡如人意，這時(shí)候再進(jìn)行設(shè)備更新來(lái)不及，只能在現(xiàn)有的圖像資料的基礎(chǔ)上進(jìn)行軟件處理，利用軟件的辦法提高視頻圖像分辨率。
以上5個(gè)方案進(jìn)行比較結(jié)果如下：
采用基于信號(hào)處理的軟件方法對(duì)圖像的空間分辨率進(jìn)行提高，對(duì)圖進(jìn)行處理有以下幾個(gè)優(yōu)點(diǎn)：軟件處理視覺(jué)效果較為明顯，而且應(yīng)用范圍廣，屬于事后彌補(bǔ)，實(shí)用性強(qiáng)；基本沒(méi)有硬件投資，在原有基礎(chǔ)上進(jìn)行軟件處理，經(jīng)濟(jì)性很好；立足現(xiàn)有設(shè)備，大批原有設(shè)備可以得到利用，為區(qū)域改造節(jié)約大筆資金，提高監(jiān)控系統(tǒng)現(xiàn)代化程度。
六、細(xì)化方案
1、圖像處理原理
視頻圖像處理方案，其核心思想是用時(shí)間帶寬（獲取同一場(chǎng)景的多幀圖像序列）通過(guò)運(yùn)算合成得到高分辨率圖像，實(shí)現(xiàn)時(shí)間分辨率向空間分辨率的轉(zhuǎn)換，使得重建后圖像的視覺(jué)效果超過(guò)任何一幀低分辨率圖像。
下圖表示了高、低分辨率圖像像素之間的關(guān)系。圖中左邊三幀Y1，Y2，Y3具有相對(duì)位移的低分辨率圖像，通過(guò)對(duì)錄像過(guò)程中圖像變化規(guī)律即運(yùn)動(dòng)的估計(jì)，進(jìn)行相應(yīng)的插值運(yùn)算，可以合成得到如圖所示的高空間分辨率圖像X。
2、圖像處理方法分類
視頻圖像處理分類目前視頻圖像處理方法主要分為頻域和空域兩大類，其中空域又可以分為最大后驗(yàn)概率估計(jì)方法（MAP）、凸集投影算法（POCS）和混合MAP/POCS方法三種。
1）頻域法
頻域方法實(shí)際上是在頻域內(nèi)解決圖像內(nèi)插問(wèn)題，其主要方法主要利用傅里葉變換的移位性質(zhì)，對(duì)原始圖像進(jìn)行摸轉(zhuǎn)數(shù)變換，使圖像轉(zhuǎn)變?yōu)榭尚薷牡母道锶~方程模型。
優(yōu)點(diǎn)：
理論簡(jiǎn)單，運(yùn)算復(fù)雜度低，很容易實(shí)現(xiàn)并行處理，具有直觀的去變形超分辨率機(jī)制。
缺點(diǎn)：
所基于的理論前提過(guò)于理想化，不能有效地應(yīng)用于多數(shù)場(chǎng)合，只能局限于全局平移運(yùn)動(dòng)和線性空間不變降質(zhì)模型，包含空域先驗(yàn)知識(shí)的能力有限。
2）空域法
空域方法主要在空間域分布上進(jìn)行圖像重建，如下圖所示，對(duì)一系列低分辨率圖像所含像素信息進(jìn)行定位后組合成一張高分辨率圖片。
空域方法適用范圍較廣，主要包括非均勻樣本內(nèi)插法、迭代反投影方法、集合論方法（如凸集投影：POCS）、統(tǒng)計(jì)復(fù)原方法（最大后驗(yàn)概率估計(jì)MAP 和最大似然估計(jì)ML）、混合MAP/POCS 方法以及自適應(yīng)濾波方法等。而目前凸集投影法；最大后驗(yàn)概率估計(jì)；混合MAP/POCS 方法較為適合本技術(shù)的目的
最大后驗(yàn)概率估計(jì)方法
優(yōu)點(diǎn)：
在解中可以直接加入先驗(yàn)約束、能確保解的存在和唯一、降噪能力強(qiáng)和收斂穩(wěn)定性高等；即該方法能夠保證圖像清晰度，減少干擾信號(hào)在運(yùn)算過(guò)程中的累加對(duì)圖像所造成的影響，提高信噪比。
缺點(diǎn)：
運(yùn)算速度較慢和運(yùn)算量大。另外，由于該方法能夠過(guò)濾細(xì)微干擾信號(hào)數(shù)據(jù)，同時(shí)也會(huì)將圖像的細(xì)微部分進(jìn)行過(guò)濾、排除，因此，由這類方法獲得的高分辨率圖像上的細(xì)節(jié)容易被忽略，平均絕對(duì)差相對(duì)較高，不利于圖像有效還原。
凸集投影方法
優(yōu)點(diǎn)：
可以方便地加入先驗(yàn)信息，可以很好地保持高分辨率圖像上的邊緣和細(xì)節(jié)；得到圖像平均絕對(duì)誤差較低，即能夠有效保證圖像還原度。
缺點(diǎn)：
解不唯一、解依賴于初始估計(jì)、收斂慢、運(yùn)算量大和收斂穩(wěn)定性不高等。即運(yùn)算過(guò)于復(fù)雜，且不穩(wěn)定導(dǎo)致圖像信噪比改進(jìn)因子較低，圖像視覺(jué)效果較差。
混合MAP/POCS方法
本文提出了一種基于接收信號(hào)強(qiáng)度并結(jié)合BP神經(jīng)網(wǎng)絡(luò)算法的一種新型定位方法。該方法首先建立一個(gè)定位環(huán)境模型，用有限數(shù)量的參考節(jié)點(diǎn)先組建一個(gè)無(wú)線傳感器網(wǎng)絡(luò)。然后采集樣本數(shù)據(jù)，讀取RSSI和實(shí)測(cè)盲節(jié)點(diǎn)的位置坐標(biāo)，把這些數(shù)據(jù)用作訓(xùn)練和測(cè)試BP神經(jīng)網(wǎng)絡(luò)模型。最后把得到的BP神經(jīng)網(wǎng)絡(luò)模型應(yīng)用于具體問(wèn)題并檢測(cè)應(yīng)用效果。經(jīng)實(shí)踐檢驗(yàn)，該定位方法在短距離定位中比較可行，具有較好的定位性能。
【關(guān)鍵詞】無(wú)線傳感器網(wǎng)絡(luò) BP算法 神經(jīng)網(wǎng)絡(luò) 定位
隨著通信技術(shù)、嵌入式計(jì)算技術(shù)和傳感器技術(shù)的飛速發(fā)展和日益成熟，人們研制出了各種具有感知能力、計(jì)算能力和通信能力的微型傳感器。許多的微型傳感器構(gòu)成了無(wú)線傳感器網(wǎng)絡(luò)引起了人們的極大關(guān)注。無(wú)線傳感網(wǎng)可以使人們?cè)谌魏螘r(shí)間、地點(diǎn)和任何環(huán)境條件下獲取大量詳實(shí)可靠的物理世界的信息，將被廣泛地用于國(guó)防軍事、國(guó)家安全、環(huán)境監(jiān)測(cè)、交通管理、醫(yī)療衛(wèi)生、制造業(yè)、反恐抗災(zāi)等領(lǐng)域。
傳感器節(jié)點(diǎn)的定位技術(shù)是無(wú)線傳感網(wǎng)絡(luò)的支撐技術(shù)。目前，廣泛使用的ZigBee無(wú)線傳感器網(wǎng)絡(luò)的原理是測(cè)量節(jié)點(diǎn)間的距離實(shí)現(xiàn)網(wǎng)絡(luò)傳輸，無(wú)線傳感器網(wǎng)絡(luò)定位技術(shù)通常采用的方法是在保證信號(hào)接收強(qiáng)度（RSSI）的基礎(chǔ)上進(jìn)行測(cè)量。這種測(cè)量方法采取的主要方式是設(shè)置已知的參考節(jié)點(diǎn)，通過(guò)待定位節(jié)點(diǎn)接收到的RSSI值對(duì)該節(jié)點(diǎn)到各個(gè)參考節(jié)點(diǎn)的距離進(jìn)行計(jì)算，再利用計(jì)算結(jié)果、采用不同的算法對(duì)目標(biāo)點(diǎn)的坐標(biāo)進(jìn)行推導(dǎo)。本文對(duì)一種新型的定位方法進(jìn)行了分析，此種方法得到未知節(jié)點(diǎn)坐標(biāo)的途徑是利用待定位節(jié)點(diǎn)與多個(gè)固定參考節(jié)點(diǎn)間的RSSI值對(duì)BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練得到的。
1 無(wú)線信號(hào)傳輸模型
根據(jù)無(wú)線通信的基本原理，無(wú)線信號(hào)在自由空間中傳播時(shí)信號(hào)隨傳播距離的增加而有規(guī)律的變?nèi)酢５窃谝恍?fù)雜的環(huán)境里與自由空間相比，無(wú)線信號(hào)的傳播規(guī)律性比較差。即便是傳播距離相等，所測(cè)得的信號(hào)強(qiáng)度的差別也比較大。傳統(tǒng)的定位技術(shù)受接受信號(hào)強(qiáng)度的影響，利用無(wú)線信號(hào)傳播模型，利用擬合技術(shù)或憑經(jīng)驗(yàn)得到模型中的未知參數(shù)A和N，接著在傳播模型中代入信號(hào)強(qiáng)度值，計(jì)算出對(duì)應(yīng)的距離，最后利用位置距離算法實(shí)現(xiàn)定位。此種方法的缺點(diǎn)是經(jīng)驗(yàn)性強(qiáng)，普遍適用性差，不能得到較高的精度。而且在復(fù)雜多變的空間環(huán)境中，接收信號(hào)強(qiáng)度（RSSI）與傳播距離（d）的關(guān)系就更加復(fù)雜多變。
2 用BP神經(jīng)網(wǎng)絡(luò)擬合RSSI-d非線性函數(shù)關(guān)系
Kolmogorov定理對(duì)此的證明顯示，一個(gè)三層BP網(wǎng)絡(luò)可以實(shí)現(xiàn)所有連續(xù)函數(shù)，所以RSSI與距離d之間建立的非線性函數(shù)關(guān)系完全可以用BP神經(jīng)網(wǎng)絡(luò)來(lái)擬合。誤差反向傳遞神經(jīng)網(wǎng)絡(luò)是BP神經(jīng)網(wǎng)絡(luò)的別稱。該網(wǎng)絡(luò)具有前反饋性，利用的學(xué)習(xí)方式是均方差。BP網(wǎng)絡(luò)同時(shí)具備輸入層和輸出層，另外還有一層或多層隱藏神經(jīng)元結(jié)構(gòu)。該種網(wǎng)絡(luò)的采用全局逼近方法的學(xué)習(xí)算法，所以該網(wǎng)絡(luò)的泛化和容錯(cuò)能力都比較強(qiáng)。
3 BP神經(jīng)網(wǎng)絡(luò)與無(wú)線傳感網(wǎng)定位方法
3.1 神經(jīng)網(wǎng)絡(luò)模型建立
本文采用RSSI方法測(cè)量盲節(jié)點(diǎn)與各參考節(jié)點(diǎn)之間的距離，參考節(jié)點(diǎn)固定，盲節(jié)點(diǎn)通常是移動(dòng)的，盲節(jié)點(diǎn)每隔一定時(shí)間發(fā)送一次廣播信息，參考節(jié)點(diǎn)將監(jiān)聽到廣播信息后，將測(cè)得的各RSSI值發(fā)送至中心盲節(jié)點(diǎn)，盲節(jié)點(diǎn)收集好信息后再發(fā)送給協(xié)調(diào)器及上位機(jī)。
3.2 樣本數(shù)據(jù)庫(kù)建立
通過(guò)對(duì)訓(xùn)練樣本的學(xué)習(xí)，BP網(wǎng)絡(luò)才能獲得節(jié)點(diǎn)位置預(yù)測(cè)的能力。一般來(lái)說(shuō)，訓(xùn)練樣本數(shù)量越多，BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)能力越強(qiáng)，所以為了提高定位的精準(zhǔn)度，應(yīng)適當(dāng)多采樣來(lái)訓(xùn)練樣本，同時(shí)采用平均值法使樣本數(shù)據(jù)更有效。
3.3 BP神經(jīng)網(wǎng)絡(luò)參數(shù)確定
本文采用3層的BP神經(jīng)網(wǎng)絡(luò)來(lái)實(shí)現(xiàn)，只包含一個(gè)隱含層。基本BP算法采用梯度下降法使得誤差均方趨向最小，直到達(dá)到誤差要求。經(jīng)比較發(fā)現(xiàn)，traincgf算法收斂速度快，并且可沿共軛方向達(dá)到全局最小點(diǎn)，適合應(yīng)用于節(jié)點(diǎn)位置估測(cè)；隱含層節(jié)點(diǎn)數(shù)對(duì)BP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)精度有較大影響，隱含層節(jié)點(diǎn)數(shù)過(guò)多會(huì)增加訓(xùn)練網(wǎng)絡(luò)的時(shí)間，網(wǎng)絡(luò)容易過(guò)擬合。本文取經(jīng)驗(yàn)值3為隱含層節(jié)點(diǎn)數(shù)，經(jīng)仿真驗(yàn)證，可達(dá)到很好的效果。
4 仿真結(jié)果分析
不同測(cè)距誤差下BP定位算法與最小二乘估計(jì)法的比較：BP定位算法與最小二乘法定位效果表中，進(jìn)行一千次實(shí)驗(yàn)后得到的BP定位算法，利用參考節(jié)點(diǎn)與盲節(jié)點(diǎn)之間的坐標(biāo)得到最小二乘法的數(shù)據(jù)。定位結(jié)果到未知節(jié)點(diǎn)真實(shí)值之間的距離成為定位誤差，通過(guò)比較BP定位算法得到的平均誤差與較之最小二乘估計(jì)法得到的誤差，前者的誤差較小。圖1中顯示，隨著誤差的增大，與最小二乘估計(jì)法相比BP定位算法得到的誤差增大速度慢。可以說(shuō)，當(dāng)測(cè)距誤差較大時(shí)，BP定位算法有較大的優(yōu)勢(shì)，由此可以說(shuō)明BP定位算法的定位性能比最小二乘估計(jì)法好。
5 結(jié)語(yǔ)
定位技術(shù)是無(wú)線傳感器網(wǎng)絡(luò)的關(guān)鍵技術(shù)，對(duì)提高生產(chǎn)效率、人員安全檢查具有重要意義。將智能算法與實(shí)際測(cè)量相結(jié)合，提高了定位精度。具體應(yīng)用時(shí)，可以將C語(yǔ)言編程實(shí)現(xiàn)BP神經(jīng)網(wǎng)絡(luò)，將編程實(shí)現(xiàn)的BP神經(jīng)網(wǎng)絡(luò)封裝成單個(gè)函數(shù)的形式，此函數(shù)的輸入即為RSSI值，輸出即為對(duì)應(yīng)的距離d。
參考文獻(xiàn)
[1]王小平，羅軍，沈昌祥.無(wú)線傳感器網(wǎng)絡(luò)定位理論和算法[J].計(jì)算機(jī)研究與發(fā)展，2011（03）：353-363.
[2]王福豹，史龍，任豐原.無(wú)線傳感器網(wǎng)絡(luò)中的自身定位系統(tǒng)和算法[J].軟件學(xué)報(bào)，2005（05）：857-868.
[3]吳黎愛(ài).基于不同網(wǎng)絡(luò)模型的無(wú)線傳感器網(wǎng)絡(luò)定位算法研究[D].南昌航空大學(xué)，2012.
[4]任梅.基于無(wú)線傳感器網(wǎng)絡(luò)定位技術(shù)的研究[D].西安電子科技大學(xué)，2013.
[5]張穎.無(wú)線定位優(yōu)化算法的研究[D].西安郵電學(xué)院，2011.
作者簡(jiǎn)介
衣治安，碩士學(xué)位，現(xiàn)為東北石油大學(xué)計(jì)算機(jī)與信息技術(shù)學(xué)院副院長(zhǎng)，主研領(lǐng)域?yàn)橛?jì)算機(jī)網(wǎng)絡(luò)。
馬莉，碩士研究生。
本文利用人工神經(jīng)網(wǎng)絡(luò)的鋼材表面缺陷快速識(shí)別系統(tǒng)以及BP神經(jīng)網(wǎng)絡(luò)的缺陷檢測(cè)和分類的方法，實(shí)現(xiàn)鋼材表面疵病的準(zhǔn)確檢測(cè)與分類。選用Matlab作為系統(tǒng)軟件工具，以BP神經(jīng)網(wǎng)絡(luò)作為其缺陷檢測(cè)的計(jì)算方法，實(shí)現(xiàn)冷軋帶鋼表面缺陷檢測(cè)技術(shù)的軟件方案設(shè)計(jì)，完成BP神經(jīng)網(wǎng)絡(luò)在鋼材表面缺陷檢測(cè)的應(yīng)用研究，滿足帶鋼生產(chǎn)線的表面缺陷檢測(cè)要求。
關(guān)鍵詞：缺陷檢測(cè)；人工神經(jīng)網(wǎng)絡(luò)；BP神經(jīng)網(wǎng)絡(luò)
中圖分類號(hào)：TN711 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：
冷軋帶鋼已成為汽車生產(chǎn)、機(jī)械制造、化工、航空航天、造船等工業(yè)不可缺少的原材料，在國(guó)民經(jīng)濟(jì)中占據(jù)重要地位。而鋼材表面缺陷是影響帶鋼質(zhì)量的重要因素，因此，表面缺陷的識(shí)別檢測(cè)對(duì)提高帶鋼的質(zhì)量具有十分重要的意義。
本文根據(jù)鋼材表面的缺陷情況，研究需要系統(tǒng)識(shí)別的常見鋼材表面缺陷類型，結(jié)合表面缺陷檢測(cè)系統(tǒng)的主要技術(shù)要求，提出基于人工神經(jīng)網(wǎng)絡(luò)的鋼材表面缺陷識(shí)別系統(tǒng)的總體方案。利用計(jì)算機(jī)和圖像采集設(shè)備，使軟件和硬件協(xié)同配合，實(shí)現(xiàn)圖像信息的實(shí)時(shí)采集及處理，為BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練學(xué)習(xí)建立鋼材表面缺陷數(shù)據(jù)庫(kù)，通過(guò)訓(xùn)練可以實(shí)時(shí)自動(dòng)識(shí)別鋼材表面存在的缺陷。
1BP神經(jīng)網(wǎng)絡(luò)的基本原理
BP（Back Propagation）神經(jīng)網(wǎng)絡(luò)是一種神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法，全稱基于誤差反向傳播算法的人工神經(jīng)網(wǎng)絡(luò)。它是目前研究最多、應(yīng)用最廣泛的神經(jīng)網(wǎng)絡(luò)模型之一【1】。BP網(wǎng)絡(luò)是一種多層前向反饋神經(jīng)網(wǎng)絡(luò)，把樣本的輸入輸出變成一個(gè)非線性優(yōu)化問(wèn)題，使用了最優(yōu)化中最普遍的梯度下降算法，用迭代運(yùn)算求解權(quán)值，它可以實(shí)現(xiàn)從輸入到輸出的任意連續(xù)的非線性映射。BP網(wǎng)絡(luò)主要用于函數(shù)逼近、模式識(shí)別、數(shù)據(jù)壓縮等。BP神經(jīng)網(wǎng)絡(luò)由輸入層、隱含層和輸出層三部分組成，其結(jié)構(gòu)如圖1所示。
圖1BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)示意圖
Fig. 1 The BP neural network structure diagram
BP神經(jīng)網(wǎng)絡(luò)在具體工作之前必須通過(guò)學(xué)習(xí)獲得一定的“智能”，才可以在實(shí)際的應(yīng)用中取得良好的效果。其學(xué)習(xí)由四個(gè)過(guò)程組成：
第一是輸入向量由輸入層經(jīng)隱含層向輸出層的“正向傳播”過(guò)程；
第二是網(wǎng)絡(luò)實(shí)際輸出與網(wǎng)絡(luò)的希望輸出之間的誤差信號(hào)由輸出層經(jīng)隱含層向輸入層逐層修正連接權(quán)值的“誤差反向傳播”過(guò)程；
第三是由“正向傳播”與“誤差反向傳播”的反復(fù)交替進(jìn)行的網(wǎng)絡(luò)“記憶訓(xùn)練”過(guò)程；
第四是網(wǎng)絡(luò)的全局誤差趨向極小值的“學(xué)習(xí)收斂”過(guò)程。
2BP算法在鋼材表面缺陷識(shí)別的具體實(shí)現(xiàn)
為了使用BP神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)鋼材表面缺陷檢測(cè)方法研究，首先需要對(duì)鋼材圖像進(jìn)行預(yù)處理，去除圖像噪聲，并進(jìn)行圖像增強(qiáng)處理，保留圖像重要信息；然后，從樣本圖像中選擇部分有缺陷的圖像，進(jìn)行樣本圖像分割，分割成適合網(wǎng)絡(luò)訓(xùn)練的特征圖像，并將分割結(jié)果分類為正常圖像和缺陷圖像樣本集合；再使用各種圖像特征提取方法分別提取出正常圖像和缺陷圖像的特征值，構(gòu)成BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練集合；再將訓(xùn)練集合輸入BP網(wǎng)絡(luò)訓(xùn)練器中，按照設(shè)定參數(shù)，設(shè)置選定精度，進(jìn)行網(wǎng)絡(luò)權(quán)值訓(xùn)練，得到所需的分類器；最后將測(cè)試樣本輸入分類器中，實(shí)現(xiàn)最終的缺陷分類識(shí)別。
系統(tǒng)選用Matlab作為系統(tǒng)軟件工具。Matlab中專門編制了大量有關(guān)BP網(wǎng)絡(luò)的工具函數(shù)，為BP網(wǎng)絡(luò)的應(yīng)用研究提供了強(qiáng)有力的便利工具【2】。BP網(wǎng)絡(luò)的設(shè)計(jì)過(guò)程如下：
（1）輸入訓(xùn)練樣本
缺陷的出現(xiàn)會(huì)破壞其所在區(qū)域灰度值的排布規(guī)律，基于此先從帶缺陷圖像的缺陷區(qū)域截取圖像，再?gòu)臒o(wú)缺陷的圖像中截取相同大小的圖像，然后從這些圖像中提取特征向量【3】。對(duì)特征向量X進(jìn)行歸一化，再進(jìn)行主分量分析進(jìn)行降維處理，最后把處理后的特征向量的每一列作為一個(gè)樣本輸入神經(jīng)網(wǎng)絡(luò)。
（2）初始化網(wǎng)絡(luò)
采用initff函數(shù)初始化網(wǎng)絡(luò)。在建立網(wǎng)絡(luò)對(duì)象的同時(shí)，自動(dòng)調(diào)用初始化函數(shù)，根據(jù)缺省的參數(shù)對(duì)網(wǎng)絡(luò)的連接權(quán)值和閾值進(jìn)行初始化。initff函數(shù)格式：
[w1,b1,w2,b2]=initff(p,s1,f1,s2,f2)（1）
式中：w1表示隱含層神經(jīng)元與輸入層神經(jīng)元之間的連接權(quán)重系數(shù)矩陣；
w2表示輸出層神經(jīng)元與隱含層神經(jīng)元之間的連接權(quán)重系數(shù)矩陣；
b1、b2表示隱含層和輸出層神經(jīng)元的閾值矩陣；
p表示輸入樣本矩陣；
s1、s2表示隱含層和輸出層神經(jīng)元個(gè)數(shù)；
f1、f2表示隱含層和輸出層激活函數(shù)形式。
運(yùn)行initff函數(shù)，系統(tǒng)能自動(dòng)根據(jù)給定的p,s1,f1,s2,f2的值對(duì)w1,b1,w2,b2賦予一個(gè)初始值。
（3）訓(xùn)練網(wǎng)絡(luò)
采用trainbp函數(shù)訓(xùn)練網(wǎng)絡(luò)。用基本梯度下降法訓(xùn)練網(wǎng)絡(luò)函數(shù)進(jìn)行BP網(wǎng)絡(luò)訓(xùn)練，獲取最終的權(quán)值與閾值矩陣。trainbp函數(shù)格式：
[w1,b1,w2,b2,te,tr]=trainbp(w1,b1,f1,w2,b2,f2,p,t,tp)(2)
式中：t表示輸出樣本矩陣；
te為網(wǎng)絡(luò)的實(shí)際訓(xùn)練步數(shù)；
tr為訓(xùn)練過(guò)程中的誤差平方和；
tp為網(wǎng)絡(luò)訓(xùn)練參數(shù)。
選擇訓(xùn)練參數(shù)tp進(jìn)行訓(xùn)練，tp=[df,me,err,lr]
式中：df是指定兩次更新顯示間的訓(xùn)練次數(shù)；
me是指定訓(xùn)練的最大次數(shù)；
err是誤差平方和指標(biāo)；
lr是指定學(xué)習(xí)速率，即權(quán)值和閾值更新的比例。
trainbp函數(shù)以w1，w2，b1，b2的初始值和給定的f1，f2，p，t，tp開始訓(xùn)練，使當(dāng)輸入n時(shí)，網(wǎng)絡(luò)的輸出為目標(biāo)矢量t。當(dāng)訓(xùn)練過(guò)程中誤差平方和小于等于目標(biāo)誤差平方和或者訓(xùn)練步數(shù)到達(dá)給定的最大步數(shù)時(shí)，停止訓(xùn)練。此時(shí)的w1，w2，b1，b2的值就是已訓(xùn)練好的網(wǎng)絡(luò)參數(shù)。
（4）網(wǎng)絡(luò)仿真
采用simuff函數(shù)對(duì)網(wǎng)絡(luò)進(jìn)行仿真。在網(wǎng)絡(luò)訓(xùn)練前后分別進(jìn)行輸入輸出的仿真，以做比較，從而對(duì)網(wǎng)絡(luò)進(jìn)行修改評(píng)價(jià)。simuff函數(shù)格式：
a=simuff(p，w1，b1，f1，w2，b2，f2) (3)
式中：a表示訓(xùn)練好的BP網(wǎng)絡(luò)的實(shí)際輸出；
w1、w2、b1、b2 是訓(xùn)練好的網(wǎng)絡(luò)參數(shù)；
p、f1、f2 與（1）式相同。
網(wǎng)絡(luò)訓(xùn)練后，形成穩(wěn)定的權(quán)值和閾值，使網(wǎng)絡(luò)輸入和網(wǎng)絡(luò)輸出形成了較好的映射，從而可以對(duì)其他輸入樣本進(jìn)行輸出參數(shù)的預(yù)測(cè)。
3實(shí)際應(yīng)用情況
從現(xiàn)場(chǎng)采集冷軋帶鋼樣本，并對(duì)這些樣本中的缺陷進(jìn)行標(biāo)定。將測(cè)試樣本圖像輸入神經(jīng)網(wǎng)絡(luò)檢測(cè)缺陷區(qū)域，得到每類樣本的缺陷區(qū)域。將所有原始訓(xùn)練樣本、測(cè)試樣本圖像，按照前面的預(yù)處理方法進(jìn)行預(yù)處理，然后按照同樣的分割方式進(jìn)行分割，提取出樣本塊的特征信息，構(gòu)成一序列的向量，輸入已經(jīng)訓(xùn)練完成的分類器，進(jìn)行缺陷識(shí)別，檢測(cè)出樣本的缺陷區(qū)域。
經(jīng)工業(yè)現(xiàn)場(chǎng)實(shí)踐表明，經(jīng)過(guò)訓(xùn)練的BP神經(jīng)網(wǎng)絡(luò)分類器對(duì)表面缺陷的識(shí)別分類較好,基本上能夠滿足帶鋼表面缺陷的分類識(shí)別要求。但是，神經(jīng)網(wǎng)絡(luò)技術(shù)也存在訓(xùn)練過(guò)程緩慢、需要大量的訓(xùn)練數(shù)據(jù)、對(duì)其決策過(guò)程無(wú)法得到透徹理解、參數(shù)的設(shè)計(jì)無(wú)規(guī)律可循等缺點(diǎn)。
事實(shí)上，基于BP網(wǎng)絡(luò)的分類器只能識(shí)別BP網(wǎng)絡(luò)已知的模式類別。如果出現(xiàn)了新的模式類別，分類器就不能正確地識(shí)別，只能再次對(duì)分類器進(jìn)行訓(xùn)練，也就是說(shuō)分類器沒(méi)有自學(xué)功能。因此，在優(yōu)化BP神經(jīng)網(wǎng)絡(luò)參數(shù)的基礎(chǔ)上，我們可以考慮將現(xiàn)在已經(jīng)構(gòu)建的BP神經(jīng)網(wǎng)絡(luò)模型的分類器，分解成兩步來(lái)實(shí)現(xiàn)表面缺陷的分類，即首先構(gòu)建神經(jīng)網(wǎng)絡(luò)來(lái)對(duì)把缺陷和非缺陷識(shí)別分類開來(lái)，然后再對(duì)缺陷進(jìn)行分類，以期提高分類識(shí)別的準(zhǔn)確率。我們還需要研究基于其它神經(jīng)網(wǎng)絡(luò)模型的分類器，利用各自的長(zhǎng)處，實(shí)現(xiàn)分類器的融合，并使分類器具有自學(xué)的功能，對(duì)新出現(xiàn)的缺陷能夠記憶識(shí)別的功能，更好的滿足工業(yè)現(xiàn)場(chǎng)的要求。
參考文獻(xiàn)
[1]王婷,江文輝,肖南峰.基于改進(jìn)BP神經(jīng)網(wǎng)絡(luò)的數(shù)字識(shí)別.電子設(shè)計(jì)工程.2011,19(3):108-112.
本文通過(guò)對(duì)BP神經(jīng)網(wǎng)絡(luò)在我國(guó)運(yùn)用現(xiàn)狀的分析，對(duì)BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)作了介紹和舉例說(shuō)明，提出了建筑工程造價(jià)中神經(jīng)網(wǎng)絡(luò)的重要作用，以及為有效地將神經(jīng)網(wǎng)絡(luò)運(yùn)用到建筑工程造價(jià)中提出一定的建議。
關(guān)鍵詞：建筑；工程造價(jià)；BP神經(jīng)網(wǎng)絡(luò)；應(yīng)用
一、神經(jīng)網(wǎng)絡(luò)在建筑工程中的運(yùn)用現(xiàn)狀
目前，我國(guó)社會(huì)經(jīng)濟(jì)的發(fā)展越來(lái)越快，城市化進(jìn)程也在不斷加快,諸如地鐵工程的建設(shè)也已經(jīng)成為我國(guó)城市基礎(chǔ)設(shè)施的一項(xiàng)重要發(fā)展領(lǐng)域。可是,我國(guó)工程建設(shè)資金條件還比較短缺,建筑工程高昂的造價(jià)限制了大部分城市的地鐵等工程的發(fā)展。所以,如何采取有效的措施來(lái)降低地鐵工程造價(jià),越來(lái)越成為加快工程建設(shè)的首要課題。在建筑工程造價(jià)管理中,關(guān)于可行性研究階段的造價(jià)估算對(duì)于項(xiàng)目的決策和工程造價(jià)的控制起著至關(guān)重要的作用,因此研究該階段的造價(jià)估算方法具有重要的現(xiàn)實(shí)意義。最近幾年來(lái),人工神經(jīng)網(wǎng)絡(luò)憑借其強(qiáng)大的學(xué)習(xí)、聯(lián)想以及自適應(yīng)能力被廣泛地應(yīng)用在工程造價(jià)估算領(lǐng)域當(dāng)中。
許多相關(guān)研究成果也應(yīng)運(yùn)而生，很多學(xué)者通過(guò)大量查閱與深入研究國(guó)內(nèi)外建設(shè)工程造價(jià)估算方法，并針對(duì)不同工程造價(jià)的特點(diǎn),提出將BP神經(jīng)網(wǎng)絡(luò)結(jié)合的工程造價(jià)估算模型。第一,利用模糊數(shù)學(xué)方法對(duì)工程造價(jià)估算樣本進(jìn)行篩選,從而提高工程造價(jià)估算模型的準(zhǔn)確度；第二,綜合分析不同建筑工程的主要特征,然后將這些特征與它的工程造價(jià)相聯(lián)系,構(gòu)建出基于BP神經(jīng)網(wǎng)絡(luò)的建筑工程造價(jià)估算模型。在實(shí)現(xiàn)模型方面,利用相關(guān)語(yǔ)言對(duì)模型進(jìn)行訓(xùn)練與仿真測(cè)試,并運(yùn)用工程實(shí)例進(jìn)行驗(yàn)證,最后結(jié)果表明了，該模型具有較好的泛化能力,并且能夠比較準(zhǔn)確地估算建筑工程的造價(jià)。
二、BP神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)
1、網(wǎng)絡(luò)結(jié)構(gòu)
人工神經(jīng)網(wǎng)絡(luò)系統(tǒng)，即模擬人腦中神經(jīng)元的工作原理的一種方法。一個(gè)典型的生物神經(jīng)元都具有稱之為樹突的部分，樹突從細(xì)胞體中伸到其它神經(jīng)元，在突觸的聯(lián)結(jié)點(diǎn)上接受信息，接著將這些信息累加起來(lái)。如果細(xì)胞體中累加的激發(fā)信息超過(guò)了某一閥值的時(shí)候，細(xì)胞就會(huì)被激活，那么，該細(xì)胞的軸突部分就會(huì)向其他神經(jīng)細(xì)胞發(fā)出相應(yīng)的信息。模擬人工神經(jīng)網(wǎng)絡(luò)在此過(guò)程中有很多種方法，而BP神經(jīng)網(wǎng)絡(luò)就是其中的一種比較簡(jiǎn)單但應(yīng)用廣泛的一種。許多研究成果已經(jīng)證明，含有一個(gè)隱含層(即三層BP神經(jīng)網(wǎng)絡(luò)系統(tǒng))可以任意逼近連續(xù)函數(shù)，該隱含層中的每一個(gè)神經(jīng)元只要都含有一個(gè)連續(xù)Sigmoid非線性函數(shù)就可以了。而三層BP神經(jīng)網(wǎng)絡(luò)由輸入層與一層隱含層、輸出層組成，它們采用全互連接，但同一層中的各單元并不連接。
2、BP算法
由上面的BP網(wǎng)絡(luò)的基本結(jié)構(gòu)可以看出，BP算法就是一個(gè)不斷計(jì)算誤差從而調(diào)整閥值與連接權(quán)值的過(guò)程。如常規(guī)的BP算法中采用的是最速下降法，就是按照誤差函數(shù)負(fù)梯度方向?qū)Ω髦颠M(jìn)行修改。
利用BP神經(jīng)網(wǎng)絡(luò)的基本原理建立起工程估算模型，并依賴專家經(jīng)驗(yàn)獲取待定造價(jià)的工程特征，以及在對(duì)15個(gè)典型實(shí)際的工程樣本分析基礎(chǔ)上，利用軟件的宏命令來(lái)編制BP神經(jīng)網(wǎng)絡(luò)模塊，從工程特征到工程造價(jià)的非線性映射關(guān)系來(lái)進(jìn)行模擬，并將它們運(yùn)用于實(shí)際工程估算，其精度能夠達(dá)到建筑工程估算要求，在實(shí)際工程中能對(duì)估算快速準(zhǔn)確的要求提供新的方法。
三、BP神經(jīng)網(wǎng)絡(luò)在建筑工程中的實(shí)例應(yīng)用
如何建立模型呢？建筑工程造價(jià)遵循的是“二八原則”，就是a類20％的分項(xiàng)工程占總造價(jià)的80％，而b類30％的分項(xiàng)工程則占總造價(jià)的15％，那么其余c類50％的分項(xiàng)工程就只占工程造價(jià)的5％。一個(gè)建筑工程中，主導(dǎo)分項(xiàng)工程的a、b兩類分項(xiàng)工程可以根據(jù)其特征來(lái)概括，也就是，若一個(gè)工程的某幾個(gè)特征一旦確定，那么其主要分項(xiàng)的工程量也可以確定，當(dāng)然，估算工程造價(jià)也就可以確定了。這種基本思想就是通過(guò)案例推理把BP神經(jīng)網(wǎng)絡(luò)運(yùn)用到工程估算當(dāng)中。
另外，對(duì)于工程特征的選取，多采用的是專家評(píng)審法。比如說(shuō)，邀請(qǐng)某一家公司的兩位工作經(jīng)驗(yàn)都在十年以上的造價(jià)工程師，讓他們對(duì)建筑工程中會(huì)影響到工程造價(jià)的各種因素進(jìn)行一個(gè)評(píng)定打分，如最后選擇了如下因素：建筑類型、高度、層高、建筑主體結(jié)構(gòu)類型、面積、墻體、內(nèi)外墻作法、建筑門窗類別、工程造價(jià)的年綜合指數(shù)以及施工企業(yè)的資質(zhì)等級(jí)，其中，最后兩個(gè)因素分別是考慮到造價(jià)估算的時(shí)間因素差別與施工單位的施工、管理水平而暫時(shí)作為標(biāo)準(zhǔn)來(lái)評(píng)定。
在這種情況下，同時(shí)收集整理了北京十五個(gè)建筑工程造價(jià)實(shí)例，而工程造價(jià)指數(shù)則是按2005年作為基準(zhǔn)，采用加權(quán)平均之后得出的年綜合指數(shù)。在工程實(shí)例中，工程范圍是指建筑結(jié)構(gòu)工程。因此，在進(jìn)行分類整理時(shí)，樣本的有些特征是定性描述，這就需要進(jìn)行定量化的處理后才能作為樣本輸出，處理方法多是按照同一工程特征中，其工程造價(jià)的相對(duì)大小來(lái)進(jìn)行的，造價(jià)比較大的，相應(yīng)的數(shù)值也比較大。
四、總結(jié)
通過(guò)以上材料，可以得知，把三層BP網(wǎng)絡(luò)模型運(yùn)用在工程估價(jià)方面是可行的，因?yàn)楣こ?4和15單方造價(jià)的預(yù)測(cè)精確度浮動(dòng)都在10％以內(nèi)，但砼用量和鋼筋的用量數(shù)據(jù)預(yù)測(cè)則存在較大的出入，尤其是工程14的砼用量，其誤差高達(dá)20％以上，分析主要原因可能就是工程樣本中，設(shè)計(jì)結(jié)構(gòu)圖紙時(shí)，細(xì)節(jié)處的差異較大，所取樣本的數(shù)量較小，或是工程特征到輸出的映射函數(shù)學(xué)習(xí)力度不強(qiáng)。因此，隨著樣本的增加，精度會(huì)進(jìn)一步的提高。
關(guān)鍵詞：軟測(cè)量；神經(jīng)網(wǎng)絡(luò)；軟件設(shè)計(jì)
中圖分類號(hào)：TP18文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：1009-3044(2011)04-0753-04
The Development and Design of the Modeling Software for Soft Sensor
HOU Yan-song, XIE Gang, ZHANG Min, LIU Ya-ru
(Automation Research Institute of Lanzhou Petrochemical Company Petrochina, Lanzhou 730060, China)
Abstract: This paper designs a soft-sensing modeling software for chemical production process, Considering the complexity in the practical industry process, the software applies the linear regression modeling approach and the nonlinear neural network modeling approach to design the measurement software. Practice have been carried on the production process of Ethyl benzene and Starch content prediction, and the results show that the software can fulfill the function of trend prediction.
Key words: soft-sensor; neural network; software development
在工業(yè)實(shí)際中，產(chǎn)品質(zhì)量控制是所有工業(yè)過(guò)程控制的核心。要對(duì)產(chǎn)品質(zhì)量進(jìn)行實(shí)時(shí)有效的控制，就必須及時(shí)準(zhǔn)確的了解產(chǎn)品的質(zhì)量參數(shù)，從而及時(shí)調(diào)整工藝參數(shù)和控制參數(shù)，以期獲得良好的產(chǎn)品質(zhì)量監(jiān)測(cè)和控制。然而實(shí)際中，過(guò)程的質(zhì)量參數(shù)通常是無(wú)法直接測(cè)量的，即使能夠利用分析儀表測(cè)量，也存在較大的分析滯后[1]，無(wú)法完全滿足過(guò)程控制的需要。總的來(lái)說(shuō)，我國(guó)石油化工行業(yè)現(xiàn)有的儀表設(shè)備很難實(shí)時(shí)的提供過(guò)程控制所需的質(zhì)量參數(shù)信息。基于這種現(xiàn)實(shí)，更高一層的先進(jìn)控制技術(shù)，過(guò)程優(yōu)化技術(shù)，產(chǎn)品質(zhì)量的監(jiān)測(cè)管理等上層應(yīng)用就受到了測(cè)量信息不足這一瓶頸問(wèn)題的極大限制。在這種背景下，工業(yè)過(guò)程對(duì)過(guò)程檢測(cè)的內(nèi)容和時(shí)效性均提出了新的要求。一方面，僅獲取流量、溫度、壓力、液位等常規(guī)過(guò)程參數(shù)的測(cè)量信息已不能滿足工藝操作指導(dǎo)和質(zhì)量控制的要求，迫切需要獲取諸如成分、物性等與過(guò)程工藝操作和質(zhì)量控制密切相關(guān)的檢測(cè)參數(shù)的測(cè)量信息。另一方面，測(cè)量從靜態(tài)或穩(wěn)態(tài)向動(dòng)態(tài)測(cè)量發(fā)展，在許多應(yīng)用場(chǎng)合還需要綜合運(yùn)用所獲得的各種過(guò)程測(cè)量信息，才能實(shí)現(xiàn)有效的過(guò)程控制、對(duì)生產(chǎn)過(guò)程或測(cè)量系統(tǒng)進(jìn)行故障診斷、狀態(tài)監(jiān)測(cè)。近年來(lái)，作為以計(jì)算機(jī)技術(shù)為基礎(chǔ)的軟測(cè)量技術(shù)成為了解決上述工業(yè)控制瓶頸問(wèn)題的有效途徑之一，越來(lái)越受到關(guān)注[2-5]。
就苯乙烯、丙烯腈、乙烯及丁二烯抽提等化工裝置而言，產(chǎn)品質(zhì)量數(shù)據(jù)主要是產(chǎn)品的純度。針對(duì)這一特點(diǎn)，本軟件采用基于數(shù)據(jù)驅(qū)動(dòng)的建模方法，并考慮到實(shí)際的工業(yè)過(guò)程對(duì)象復(fù)雜多變，軟件采用了線性回歸建模和非線性神經(jīng)網(wǎng)絡(luò)建模兩種方法來(lái)設(shè)計(jì)軟測(cè)量軟件。最后，根據(jù)工藝機(jī)理，我們通過(guò)建立苯乙烯裝置乙苯塔塔頂乙苯含量軟測(cè)量數(shù)學(xué)模型，完成了對(duì)塔頂乙苯含量的準(zhǔn)確預(yù)測(cè)。
1 乙苯含量軟測(cè)量模型的建立
1.1 軟測(cè)量
軟測(cè)量的工作原理（見圖1），就是在常規(guī)檢測(cè)的基礎(chǔ)上，利用輔助變量與主導(dǎo)變量的關(guān)系，通過(guò)軟件計(jì)算 ，得到主導(dǎo)變量的測(cè)量值。軟測(cè)量技術(shù)的核心是建立用來(lái)預(yù)測(cè)主導(dǎo)變量的可靠的軟測(cè)量模型。初始軟測(cè)量模型是對(duì)過(guò)程變量的歷史數(shù)據(jù)進(jìn)行辨識(shí)而來(lái)的。在應(yīng)用過(guò)程中，軟測(cè)量模型的參數(shù)和結(jié)構(gòu)并不是一成不變的，隨時(shí)間遷移工況和操作點(diǎn)可能發(fā)生改變，需要對(duì)它進(jìn)行在線或離線修正，以得到更適合當(dāng)前狀況的軟測(cè)量模型，提高模型的適合范圍。因此，軟測(cè)量結(jié)構(gòu)可分為歷史數(shù)據(jù)處理、離線建模、在線運(yùn)行（包括校正）三大模塊。
1.2 輔助變量的選擇
通過(guò)對(duì)苯乙烯裝置乙苯塔工藝機(jī)理研究，我們選擇通過(guò)DCS收集的1000組過(guò)程參數(shù)作為建模樣本集，300組過(guò)程數(shù)據(jù)作為校驗(yàn)樣本集，運(yùn)用統(tǒng)計(jì)學(xué)方法將樣本數(shù)據(jù)中隱含的對(duì)象信息進(jìn)行濃縮和提取，通過(guò)工程師的經(jīng)驗(yàn)以及多元回歸分析方法，尋找最優(yōu)變量來(lái)建模，從而建立主導(dǎo)變量和輔助變量之間的數(shù)學(xué)模型，見表1。
2 軟測(cè)量建模軟件的實(shí)現(xiàn)
2.1 軟件框架
選用微軟VC++6.0開發(fā)環(huán)境[6]，軟件的整體設(shè)計(jì)采用面向?qū)ο蟮某绦蛟O(shè)計(jì)方法，考慮到軟測(cè)量?jī)x表本身側(cè)重于數(shù)值計(jì)算和參數(shù)的頻繁傳遞，因此選用基于對(duì)話框的應(yīng)用程序框架。該軟件框架結(jié)構(gòu)簡(jiǎn)單，易于人機(jī)參數(shù)傳遞。從程序的角度來(lái)說(shuō)，軟件總共分四個(gè)主要模塊：主對(duì)話框模塊、算法模塊、矩陣運(yùn)算模塊、圖形編輯模塊。如圖2所示。
1）主對(duì)話框模塊：即人機(jī)界面UI，提供基本的人機(jī)交流界面，以及數(shù)據(jù)文件操作。
2）算法模塊：是整個(gè)軟件的核心，包括了軟件中所有的算法程序，并且留有擴(kuò)充借口，可隨時(shí)根據(jù)軟件的升級(jí)增加新的算法。軟件在調(diào)用算法時(shí)需要用戶傳遞的參數(shù)和算法結(jié)果的返回利用子對(duì)話框來(lái)傳遞。該模塊分為三個(gè)子模塊：① 數(shù)據(jù)歸一化模塊：主要功能是對(duì)原始樣本數(shù)據(jù)進(jìn)行歸一化處理；② 樣本數(shù)據(jù)分析模塊：主要功能是對(duì)輔助變量進(jìn)行相關(guān)性分析和主元分析；③ 建模算法模塊：偏最小二乘法建模、神經(jīng)網(wǎng)絡(luò)建模。
3）矩陣運(yùn)算模塊：主要功能是為算法模塊提供必需的矩陣運(yùn)算支持。軟件中數(shù)據(jù)歸一化、樣本分析、建模的大多數(shù)算法在數(shù)學(xué)上表現(xiàn)為大量的矩陣運(yùn)算，微軟MFC基礎(chǔ)類庫(kù)并沒(méi)有提供可以直接使用的矩陣運(yùn)算類。為了使得建模算法代碼更為簡(jiǎn)潔，易于修改。矩陣運(yùn)算模塊將常用的矩陣運(yùn)算操作寫成一個(gè)類――矩陣類，供算法程序調(diào)用。
4）圖形編輯模塊：主要功能是按照需要對(duì)工作空間中的數(shù)據(jù)進(jìn)行曲線圖形顯示。作用是當(dāng)離線建模完成后，需要對(duì)所建立的模型進(jìn)行擬合試驗(yàn)，將試驗(yàn)結(jié)果以曲線的形式表現(xiàn)出來(lái)，軟件允許用戶自己設(shè)定坐標(biāo)范圍和圖形標(biāo)題。
2.2 偏最小二乘回歸法
偏最小二乘回歸是建立在主元分析原理上的化學(xué)計(jì)量學(xué)方法。它通過(guò)多元投影變換的方法，分析兩個(gè)不同矩陣間的相互關(guān)系。在主元分析中，提取主元的過(guò)程只是強(qiáng)調(diào)了主元對(duì)輔助變量信息的最大綜合能力，并沒(méi)有考慮主導(dǎo)變量。偏最小二乘法不僅利用對(duì)系統(tǒng)中的數(shù)據(jù)進(jìn)行分析和篩選的方式辨識(shí)系統(tǒng)中的信息和噪聲，從而克服變量的多重線性相關(guān)性對(duì)建模的影響，而且在提取主元時(shí)還考慮主元和因變量的相關(guān)性，即主元對(duì)主導(dǎo)變量的解釋作用。因此，偏最小二乘回歸可以集多元線性回歸，主元分析，典型相關(guān)分析的基本功能為一體。
該算法原理如下：
假設(shè)有兩個(gè)數(shù)據(jù)矩陣X和Y,其中X∈Rn×m,Y∈Rn×1,X和Y之間的關(guān)系表示如下：
Y=Xβ+e （1）
式中：e表示殘差；β表示自適應(yīng)因子。
自適應(yīng)因子β的估計(jì)值可以用最小二乘法得到，即：
（2）
如果數(shù)據(jù)矩陣X具有較強(qiáng)的相關(guān)性，則式（2）中存在病態(tài)矩陣的求逆，結(jié)果誤差較大，而部分最小二乘法可以避免對(duì)病態(tài)矩陣求逆。其基本原理是將式（1）中的X和Y的關(guān)系分解為兩個(gè)內(nèi)部關(guān)系和一個(gè)外部關(guān)系：式（3）、（4）和（5）。
（3）
（4）
其中，矩陣T=[t1 t2 … tα]，U=[u1 u2 …uα]；分別稱為X和Y的得分矩陣，而th和uh分別稱為矩陣X和Y的第h主元。P=[p1 p2 … pα]和Q=[Q1 Q2 … Qα]稱為荷載矩陣，U和T之間的關(guān)系表示如下：
（5）
式中：E、F、R為殘差矩陣。
該算法將高維空間信息投影到由幾個(gè)隱含變量組成的低維信息空間中，隱含變量包含了原始數(shù)據(jù)的重要信息，且隱含變量間是互相獨(dú)立的。
2.3 神經(jīng)網(wǎng)絡(luò)法
基于人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Network，ANN）的軟測(cè)量建模方法是近年來(lái)研究最多、發(fā)展很快和應(yīng)用范圍很廣泛的一種軟測(cè)量建模方法[7-8]。能適用于高度非線性和嚴(yán)重不確定性系統(tǒng)，因此它為解決復(fù)雜系統(tǒng)過(guò)程參數(shù)的軟測(cè)量問(wèn)題提供了一條有效途徑。
化工裝置產(chǎn)品含量預(yù)測(cè)建模通常處理的是非線性建模問(wèn)題，而多層前向網(wǎng)絡(luò)已被證明具有以任意精確度進(jìn)行復(fù)雜非線性函數(shù)的擬合能力[7]，因此選擇前向網(wǎng)絡(luò)結(jié)構(gòu)。網(wǎng)絡(luò)層數(shù)方面，除了網(wǎng)絡(luò)必須包含的輸入輸出層外，對(duì)于化工裝置產(chǎn)品含量預(yù)測(cè)這類軟測(cè)量建模，問(wèn)題的復(fù)雜程度一般要求隱層數(shù)目為1。因此，軟件中采用包含一個(gè)隱含層的三層結(jié)構(gòu)前饋網(wǎng)絡(luò)。
確定好網(wǎng)絡(luò)結(jié)構(gòu)后，神經(jīng)網(wǎng)絡(luò)用于軟測(cè)量建模實(shí)際上就是利用產(chǎn)品的歷史數(shù)據(jù)經(jīng)過(guò)一定的算法來(lái)確定網(wǎng)絡(luò)的連接權(quán)值和閾值。BP算法是應(yīng)用較早的學(xué)習(xí)算法，它充分利用了前向網(wǎng)絡(luò)的結(jié)構(gòu)優(yōu)勢(shì)，在正反傳播過(guò)程中的每一層計(jì)算都是并行的。但BP算法存在兩個(gè)缺點(diǎn)，即訓(xùn)練時(shí)間長(zhǎng)和容易陷入局部最小。針對(duì)此缺陷，本軟件在設(shè)計(jì)時(shí)采用了帶動(dòng)量因子的改進(jìn)方法來(lái)加快網(wǎng)絡(luò)訓(xùn)練速度。改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)設(shè)置和參數(shù)設(shè)置如圖3所示。
神經(jīng)網(wǎng)絡(luò)建模算法采用BP算法，算法不再是簡(jiǎn)單的矩陣操作。根據(jù)前饋神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)將神經(jīng)網(wǎng)絡(luò)用兩個(gè)類來(lái)描述，即神經(jīng)網(wǎng)絡(luò)類和神經(jīng)網(wǎng)絡(luò)層類。經(jīng)過(guò)處理后，主程序算法簡(jiǎn)潔，可讀性強(qiáng)。如果要改進(jìn)BP算法，代碼的修改只需在類的方法中修改即可，不必修改主程序。神經(jīng)網(wǎng)絡(luò)類的設(shè)計(jì)和神經(jīng)網(wǎng)絡(luò)層類的設(shè)計(jì)主要代碼如下：
神經(jīng)網(wǎng)絡(luò)類
屬性：
輸入層：CNeuralNetworkLayerInputLayer;
隱層： CNeuralNetworkLayerHiddenLayer;
輸出層：CNeuralNetworkLayer OutputLayer;
方法：
void Initialize(int nNodesInput, int nNodesHidden, int nNodesOutput); // 初始化函數(shù)確定了三層網(wǎng)絡(luò)的層次關(guān)系，有點(diǎn)類似構(gòu)造函數(shù)
void SetInput(int i, double value); // 網(wǎng)絡(luò)輸入函數(shù)
double GetOutput(int i); // 網(wǎng)絡(luò)輸出函數(shù)
void SetDesiredOutput(int i, double value); // 設(shè)置網(wǎng)絡(luò)期望輸出函數(shù)
void LoadWeight(const CMatrix& I_H, const CMatrix& H_O, const CMatrix& H, const CMatrix& O); // 給網(wǎng)絡(luò)加載權(quán)值和閾值
void FeedForward(void); // 前向計(jì)算函數(shù)
void BackPropagate(void);// 反向權(quán)值調(diào)整函數(shù)(標(biāo)準(zhǔn)的最速梯度下降法)
void Levenberg_Marquardt(void);// 反向權(quán)值調(diào)整函數(shù)(Levenberg_Marquardt法)
double CalculateError(void); // 計(jì)算網(wǎng)絡(luò)全局誤差函數(shù)
void SetLearningRate(double rate1,double rate2); // 設(shè)置學(xué)習(xí)效率
void SetLinearOutput(bool useLinear); // 是否線性輸出
void SetMomentum(bool useMomentum, double factor); // 設(shè)置動(dòng)量因素
神經(jīng)網(wǎng)絡(luò)層類
屬性：
int NumberOfNodes; // 層中神經(jīng)元數(shù)目
int NumberOfChildNodes; // 子層神經(jīng)元數(shù)目
int NumberOfParentNodes; // 父層神經(jīng)元數(shù)目
double**Weights; // 網(wǎng)絡(luò)權(quán)值數(shù)組
double**WeightChanges; // 權(quán)值改變數(shù)組
double* NeuronValues; // 神經(jīng)元值
double* DesiredValues; // 導(dǎo)師信號(hào)
double* Errors; // 局部誤差
double* BiasWeights; // 偏差權(quán)值
double* BiasValues; // 偏差值
doubleLearningRate; // 學(xué)習(xí)效率
boolLinearOutput; // 是否線性輸出
boolUseMomentum; // 是否有動(dòng)量因素
doubleMomentumFactor; // 動(dòng)力因素大小值
CNeuralNetworkLayer* ParentLayer; // 父層
CNeuralNetworkLayer* ChildLayer; // 子層
方法：
void Initialize(int NumberOfNodes, CNeuralNetworkLayer* parent, CNeuralNetworkLayer* child); // 初始化（分配存儲(chǔ)空間）
void RandomizeWeights(void); // 權(quán)值初始化函數(shù)
void OrderWeights(const CMatrix& WeightsMatrix,const CMatrix& BiasWeightsMatrix); // 權(quán)值給定函數(shù)
void CalculateErrors(void); // 計(jì)算局部誤差函數(shù)
void AdjustWeights(void); // 調(diào)整權(quán)值函數(shù)
void CalculateNeuronValues(void); // 計(jì)算神經(jīng)元值函數(shù)
void CleanUp(void); // 清除網(wǎng)絡(luò)層（有析構(gòu)函數(shù)的作用）
2.4 軟測(cè)量模型的在線校正
由于軟測(cè)量對(duì)象的時(shí)變性、非線性及模型的不完整性等因素，必須經(jīng)過(guò)模型的在線校正才能適應(yīng)新工況。根據(jù)被估計(jì)變量的離線測(cè)量值與軟測(cè)量估計(jì)值的誤差，對(duì)軟測(cè)量模型進(jìn)行在線修正，使軟測(cè)量?jī)x表能跟蹤系統(tǒng)特性的緩慢變化，提高靜態(tài)自適應(yīng)能力。一般采用在線校正算法為常數(shù)項(xiàng)修正法，即通過(guò)化驗(yàn)值或分析值計(jì)算新的偏差，并把新的偏差寫入軟測(cè)量?jī)x表，修正偏差。即：
新偏差=（采樣時(shí)刻計(jì)算值-化驗(yàn)值）×偏差權(quán)重+舊偏差×（1-偏差權(quán)重）
3 工業(yè)應(yīng)用
乙苯含量是乙苯精餾塔塔釜采出產(chǎn)品中一個(gè)十分重要的質(zhì)量控制指標(biāo)[9]，通過(guò)輔助變量塔頂壓力、塔頂溫度、塔靈敏板溫度、回流量及塔釜溫度來(lái)預(yù)測(cè)乙苯含量變化趨勢(shì)。通過(guò)本軟件進(jìn)行仿真，乙苯含量軟測(cè)量偏最小二乘建模數(shù)據(jù)擬合圖如圖4所示。其中，紅線為實(shí)際值，綠線為擬合值。誤差平方和：0.765762856683714，均方誤差：0.0033294037247118。
針對(duì)某裝置淀粉含量預(yù)測(cè)問(wèn)題選擇神經(jīng)網(wǎng)絡(luò)方法進(jìn)行仿真研究，均方誤差：9.14971253690028e-009；擬合曲線：紅線為化驗(yàn)值，綠線為擬合值。淀粉含量軟測(cè)量神經(jīng)網(wǎng)絡(luò)建模數(shù)據(jù)擬合圖如圖5所示。
4 結(jié)束語(yǔ)
本文采用了微軟基礎(chǔ)類庫(kù)（MFC）提供的基于對(duì)話框的應(yīng)用程序框架實(shí)現(xiàn)了軟測(cè)量建模軟件的開發(fā)。軟件主要是從數(shù)學(xué)的角度分別研究了線性和非線性軟測(cè)量建模算法，重點(diǎn)強(qiáng)調(diào)了建模算法對(duì)給定歷史數(shù)據(jù)的擬合和泛化能力。在具體的應(yīng)用中，根據(jù)工藝知識(shí)對(duì)軟測(cè)量問(wèn)題進(jìn)行初步數(shù)學(xué)抽象，然后以本軟件作為一種工具建模，輔以必要的工藝機(jī)理分析檢驗(yàn)?zāi)Ｐ偷暮侠硇浴Ｍㄟ^(guò)對(duì)實(shí)際中兩個(gè)化工過(guò)程進(jìn)行的仿真表明，該軟件基本具備了軟測(cè)量建模預(yù)測(cè)產(chǎn)品含量變化趨勢(shì)的能力，可以得到較好的效果。
參考文獻(xiàn)：
[1] 王樹青.先進(jìn)控制技術(shù)及應(yīng)用[M].北京:化學(xué)工業(yè)出版社,2005.
[2] Morris A J,Montague G A,Tham M T.Soft-sensors in industrial process control[C].London,UK:Applied developments in process control,1989.
[3] 王躍宣.先進(jìn)控制策略與軟件實(shí)現(xiàn)及應(yīng)用研究[D].杭州:浙江大學(xué),2003.
[4] 俞金壽.軟測(cè)量技術(shù)及其在石油化工中的應(yīng)用[M].北京:化學(xué)工業(yè)出版社,2000.
[5] 馬勇,黃德先,金以慧.動(dòng)態(tài)軟測(cè)量建模方法初探[J].化工學(xué)報(bào),2005,56(8):1516-1519.
[6] 侯俊杰.深入淺出MFC[M].2版.武漢:華中科技大學(xué)出版社,2001.
[7] 薄翠梅,張,李俊,等.基于神經(jīng)網(wǎng)絡(luò)的軟測(cè)量技術(shù)在精餾塔上的應(yīng)用[J].過(guò)程工程學(xué)報(bào),2003,3(4):371-375.
